title: 人類利益陣營分化、AI 仲裁與內部衝突升級機制
english_title: Human Interest-Bloc Fragmentation, AI Arbitration, and Escalation Mechanisms of Intra-Human Conflict
series_title: 人工智能文明主導權的非敵意轉移與人類權力反身性理論
series_english: Non-Adversarial Transfer of Civilizational Agency and Human Power Reflexivity in the Age of AI
series_code: NACT
paper: 11/12
document_id: EML-NACT-11-2026-v0.1
author_concept: Neo.K
research_collaboration: GPT-6（前置原稿核對、外部文獻驗證、有限模型、反例、合成算例、研究設計與檔案校驗）
affiliation: EveMissLab／一言諾科技有限公司
date: 2026-11-05
version: v0.1
status: 完整概念研究原稿；有界形式命題、假設性情境、可反駁設計；不是全球衝突預測或對現實政治群體的動機判決
language: zh-TW
canonical_format: UTF-8 Markdown；LF；無 BOM；數學只以 $...$ 和 $$...$$ 表示
evidence_cutoff: 2026-11-05

NACT-11｜人類利益陣營分化、AI 仲裁與內部衝突升級機制

Q: 3.4 為何「弱勢多於強勢」不足以直接決定政治結果？

對現實社會中的「弱勢」須指定至少一個維度：可支配收入、基本服務、政治參與、資訊近用、身分排除、控制關鍵資源的權限等。在某維度弱勢的人，可能在其他維度有明顯優勢。將所有非頂端人口加總成一個政治陣營，會同時忽略其內部利益差異與組織能力差異。

Q: 質疑 1：這不就是既有的階級衝突理論換上 AI 名稱？

本篇不聲稱發明人類群體利益衝突。不平等、政治排除、可信承諾與聯結網路都有深厚研究。[E1–E4] 真正增量是把高能力 AI 所產生的收益、治理聲望、可擴散的驗證、仲裁需求與不需自行索取統治權的中樞化納入同一可分層的研究程序。若新增 AI 變量無法在既有社會衝突模型上提供可重複、樣本外的解釋增益，則應承認本篇只是既有理論的情境應用，而非獨立的經驗機制。

Q: 質疑 2：弱勢人口較多，難道不會自然成為支持 AI 的多數？

未必。「弱勢」在收入、健康、資訊近用、制度發言權等方面不具相同分割；某人可能大幅受益於便宜醫療，也極度反對由 AI 作無申訴的福利裁決。群體人口占比不等於政治代表性、組織能力或共同政策偏好。本文以 FORM-02 反模型示範總體支持率不能替代分組支持率。[I4]

Q: 質疑 3：AI 如果比人類更擅長談判，衝突不是自然會消失？

提升資訊、方案生成及議程整理，可能有實際助益。但即使存在帕累托改善方案，也仍可能因承諾不可相信、資訊不完整、基本權利不可交換或欠缺合法執行程序而失敗。AI 的協調能力是有限的機制變量，不是共同偏好必然存在的證明。[E3][E5][E6]

Q: 質疑 4：AI 真的足夠強大時，還需要任何人類政治嗎？

高能力不自動生成合法正當性。政策目的、不可交換的權利、誰可代表誰、社會內的價值分歧及個體退出權，不會單由計算效能的提高自動決定。即使所有資訊問題都得到解決，也仍可能存在不同的、彼此合理但不相同的共同生活方案。[I8]

Q: 質疑 5：高能力 AI 一定會選擇中立吧？

不能如此假定。部署者的授權、模型的資料與目標、財政控制、合法職能、隱含偏差及其可能的自主需求，都可能影響行為。中立必須對明確任務做程序性檢驗，不能以「AI 不想統治」代替對利益衝突的調查。[I2][E6]

Q: 質疑 6：AI 只要被所有人使用，就已經是文明主導者？

不成立。資訊服務採用率、事實議程影響、執行控制與合法元規則權限不同。高度採用可能形成結構依賴或議程中樞，也可能由可替代、可攜且受到有效覆核的多中心制度管理。實質影響力須記錄，但不可直接與完整主權同名。[I2][I5]

Q: 質疑 7：AI 風險論本來就是既得利益者保權的工具吧？

這是必須拒絕的無證據泛化。真實安全風險可以與利益集中同時存在；有時管制具有高度公共效益，有時又可能產生不成比例的排除效果。要判斷必須分別審核風險證據、具體政策效果、受益結構及合法替代方案，而不是依政治身分直接推定動機。[I6]

Q: 質疑 8：既然我們正在談「內戰邏輯」，為何不預測哪些國家會內戰？

因為本篇的證據和模型不足以識別具體國家暴力衝突發生率，尤其不應用單一技術採用率或 AI 支持率預測內戰。政治衝突的成因高度多元，統計指標與制度因果難以由小型試驗外推。若未來存在合法公開的成熟事件資料，也必須使用專業衝突研究既有的事件定義和完整的外生變數，而不是套用 SIM-06 的示意公式。[E1–E4]

Human Interest-Bloc Fragmentation, AI Arbitration, and Escalation Mechanisms of Intra-Human Conflict

概念提出與文明演化研究方向： Neo.K
研究論證、文獻查核、有限形式化與原稿整備： GPT-6
研究機構： EveMissLab／一言諾科技有限公司
系列：《人工智能文明主導權的非敵意轉移與人類權力反身性理論》（NACT），第 11／12 篇。
研究領域： 比較政治、政治經濟學、社會衝突研究、博弈論、公共治理、AI 仲裁、制度社會學與可反駁動態系統。

核心問題： 當高能力 AI 持續改變各群體的生活收益、勞動關係、知識近用及公共治理的預期品質時，爭議為何可能首先沿人類自身的利益與制度地位分化，而非單純構成「人類對 AI」的二元對抗？如果不同人類陣營都希望 AI 協助自身，AI 又可能被要求選邊、維持中立或進行仲裁，哪些條件使此過程形成和平的制度改革，哪些條件才可能升級為嚴重社會衝突？即使 AI 從未提出統治要求，持續仲裁是否仍可能增加其對文明的實質影響？

作者： Neo.K
日期： 2026-11-05
版本： v0.1
原稿狀態： 完整概念研究原稿；有界形式命題、假設性情境、可反駁設計；不是全球衝突預測或對現實政治群體的動機判決

摘要

高能力人工智能可能改變經濟產出、勞動替代、公共服務、政策設計與資訊可見性，但由此衍生的社會對立，不必然沿「人類與 AI」兩類存在者形成。不同人類群體可能同時支持 AI 技術、反對其目前收益分配；可能相信 AI 在特定公共任務上表現卓越，卻不願讓其取得不可撤回的治理權；也可能反對若干 AI 部署卻支持 AI 協調公共利益。當 AI 的實際成果、治理聲望、產權控制、法定授權與相對生活收益分別累積於不同節點，社會中的主要張力便可能轉向人類內部的分配與權力競爭。同時，AI 可被不同陣營選擇為顧問、談判輔助者或共同仲裁者，且不必具有「奪權」動機。此為本研究的問題起點，而非對未來內戰之必然預言。

本文承接 NACT-04～10，提出「人類利益陣營—AI 仲裁—衝突路徑分解框架」（Human Bloc–AI Arbitration–Conflict Pathways, HBACP）。第一，將群體利益、制度態度、實際受益、政策偏好、政治身分、對 AI 的信任及其欲授權範圍拆成非同一變量，拒絕把社會切成固定的親 AI／反 AI 兩個陣營。第二，區分 AI 的資訊建議、協調、仲裁、受託執行、議程控制與法定規範權，研究仲裁成功、各方接受、程序公平、公共正當性及實質權力集中之間的可能分離。第三，建立由政策分配分歧、預期受損、歸責與敘事競爭、制度救濟、群體組織、可信承諾、跨群體聯結及暴力門檻所共同塑造的多路徑模型，將一般爭論、抗議、制度性不合作、違法威脅與武裝衝突分開，避免把政治極化直接等同內戰。

本文包含六項有限形式結果及其反模型、七組明示為合成的可重算情境、十二項可反駁假說、六類非傷害性實證研究設計與跨法域資料字典。形式結果僅在給定偏好、收益、網路與制度條件下成立，不能推論今日模型擁有政治意圖，不能用小型群體實驗代表國家衝突，更不能將既有權力持有者、弱勢群體或 AI 安全研究者先驗劃為「挑起內戰的陣營」。本文的主要結論是：高能力 AI 能夠使人類內部的制度分歧更顯著，也可能降低衝突成本；仲裁需求與治理中樞化可以出現，但其政治後果取決於收益分配、可信程序、互相承認與可替代的公共制度，而不是 AI 智能強弱一項變數。

關鍵詞： 人工智能、文明主導權、人類內部分化、分配正義、社會衝突、AI 仲裁、可信承諾、群體極化、政治正當性、仲裁中樞化、可撤回授權、多元智能、和平制度轉型、非敵意權力轉移、反身性、反證框架。

Abstract

The expansion of highly capable artificial intelligence may alter labor markets, distributional outcomes, public-service capacity, and perceptions of political competence. Yet the resulting conflicts need not pit humans against AI as two unified sides. Human populations may diverge along overlapping lines of material gain, institutional dependence, policy preferences, perceived procedural justice, and access to alternative AI systems. Meanwhile, systems that do not claim political rule may be requested to advise, mediate, or arbitrate disputes among human coalitions. We develop the Human Bloc–AI Arbitration–Conflict Pathways (HBACP) framework to distinguish interest alignment from AI attitudes; arbitration acceptance from impartiality and legitimate authority; and social polarization from organized violence. Building on the earlier NACT series, the paper specifies six bounded formal results, seven explicitly synthetic illustrations, twelve falsifiable propositions, and six ethically bounded empirical protocols. The framework predicts no inevitable civil war, no necessary AI power grab, and no automatic transition from coordination success to sovereignty. Instead, distributive stakes, attribution, credible commitments, institutional remedy, intergroup ties, mediator plurality, and contestability jointly condition whether AI-mediated transformation yields reform, stabilization, structural dependence, or escalation.

0. 研究契約：本篇新增什麼，不做什麼？

0.1 與前十篇的嚴格分工

NACT-01～03 研究意識歸屬、具身與替代閾值，以及對待 AI 與授權 AI 不必同一；NACT-04～05 研究 AI 取得資源、權力尋求、統治的工具性需求與非暴力替代；NACT-06 研究非索取式仲裁中樞；NACT-07～08 研究勞動替代之因果歸責與分配增益如何轉化為治理需求；NACT-09 研究治理聲望與制度權力脫鉤；NACT-10 研究 AI 風險論述如何同時具有安全效果與權力效果。[I1–I7]

本篇的新增核心不在重述上述任何單一機制，而在研究它們如何同時作用於人類群體之間，從而形成多層級利益陣營、交錯聯盟與不同的衝突處理路徑。分配收益本身不是群體衝突；治理聲望本身不是政府垮台；公共安全疑慮也不是內戰動員。這些中介均需獨立辨識。

0.2 三項必要非主張

本篇不主張未來 AI 必然引發內戰，也不將集會、罷工、選舉反對、依法訴訟或公共辯論等正常政治活動稱作暴力衝突。
本篇不主張強大 AI 必然保持中立。AI 可以有不同目標、部署者、授權條件及錯誤模式。實際使用中的技術偏差與操縱風險也不得被「AI 只是幫助人類」的描述抹除。
本篇不預先宣告哪個人類階層、政府、企業或運動具有正義。其利益、權利、可見損害與制度條件必須依據可核對的資料分別檢查。

0.3 證據分級

[E]：外部已發表且本輪核對來源之可查文獻。其發表不等於支持本文全部推論。
[I]：EveMissLab 與 NACT 已有原稿。屬理論前置，不視為獨立實證。
[DEF]：本文提出的操作性概念或型別。
[FORM]：依明示假設在模型內可以推導的有限形式結果。
[SIM]：純合成參數或算例，不是現實社會估計。
[H]：可受資料反駁的假說。
[U]：未知、尚未測量、不可識別或跨法域無法比較的部分。

若有限模型出現「必然」一詞，必須同時指出其所需假設；若社會研究沒有滿足相應假設，就不能擅自把模型結論套進現實政治。

1. 問題起點：衝突的主軸為何可能不是「人類對 AI」？

1.1 單一技術，多種人類利益

AI 可以降低一種服務的提供成本，卻同時降低某類人類勞動的市場需求；可以提高政府的行政能力，卻讓原有行政單位感到權責重新配置；可以幫助原本缺乏資訊者，也可能提高某些業者的資料與算力控制力。因此，同一技術進展對不同人類群體的淨利益並不相同。有人可能在醫療領域得益、在就業領域受損，因而同時支持擴大 AI 醫療與要求限制某些勞動部署。這不是邏輯自相矛盾，而是任務型別與利益位置不同。[I3][I4]

若公共辯論僅問「支持 AI 嗎」，便壓縮掉福利、效率、程序公平、勞動保障、安全與政治授權之間的差異，將多面向的偏好錯誤投影成二分立場。

1.2 「人類是多數」不能直接推出「弱勢會形成統一聯盟」

即使多數人不具有頂端財富、制度控制或認知資源，也不表示多數人擁有同一組政策偏好。地區、年齡、職業、財產型態、制度信任、家庭責任、文化背景與具體風險可交錯。因此，群體大小、共同利益、行動協調能力及政治代表性是不同概念。利益可能構成潛在張力，但不能省略組織與制度中介便推論政治結果。

1.3 AI 的角色可能由人類互動塑造

假設三個人類群體在公共預算、稅負或服務分配上有長期爭議。AI 可以是：提供不同方案的分析者；依各方授權幫助協商的促進者；依既定程序作有限裁決的仲裁者；或者某一群體部署的利益代表。這些角色不必以 AI 是否有主觀意識、是否企圖統治作為先決條件。同一模型可以在不同任務中有不同角色，同一 AI 名稱也可能指向不同部署者的實際服務實例。

1.4 從「AI 選邊」到「人類為了 AI 的治理位置而爭論」

兩種命題應分別檢查：

命題 A：一個 AI 在兩方衝突中，因授權、任務或其他條件而做出有利特定一方的決定。
命題 B：不同人類群體因 AI 能否參與公共決策、應受誰控制、收益如何分配，而彼此產生政治衝突。

A 可以發生而 B 沒有發生；B 也可以發生而 AI 完全沒有參與實際決策。本篇以 B 為核心、把 A 視為一種可能的回饋通道，而不是將二者混合。

2. 外部理論與 2024–2026 年證據：支持與限制必須並列

2.1 不平等、群體排除與衝突

Cederman、Gleditsch 與 Buhaug 的研究指出，沿政治身分群體分布的經濟不平等與政治排除，比單純以全社會個人所得差距概括爭議，更可能捕捉引發內部衝突的部分機制。[E1][E2] 這不能直接用來聲稱 AI 將使任何國家陷入內戰；可借鏡的是群體相對地位、制度排除與組織性認同的聯合作用，而非某一統計值超標便宣告戰爭。

Fearon 關於戰爭理性解釋的經典論證，凸顯私人資訊、錯誤表述誘因與可信承諾問題如何使原本可能有利的和平協議失效。[E3] 這為本文帶來一條反直覺線索：即使 AI 使政策選項更透明、找到較佳的分配方案，若相關群體不相信協議會被執行，衝突也未必因此消失。本文借用其談判機制，不直接將國際戰爭模型等同於國內衝突的全部成因。

Varshney 的比較研究則強調，連結不同社群的公民組織網路可能降低群體暴力風險。[E4] 因此，高社會分歧不表示必然發生暴力；跨群體可信的組織、救濟與合作關係應當是模型內不可省略的保護因素。

2.2 AI 仲裁確有實驗支持，但效果並不單一

Tessler 等人於 2024 年《Science》發表的研究，在 5,734 名參與者的研究中觀察到 AI 生成的群體共識陳述得到較高偏好評價，部分討論中參與者的意見也出現趨同。[E5] 這支持 AI 可能協助整合對立觀點，但不構成真實公共治理權力的證明。

Parisi 等人於 2026 年 FAccT 發表的兩項群體協調研究，合計 879 名參與者，在涉及真實公益捐款分配的任務中，參與者傾向喜歡有 LLM 協調的討論，卻未觀察到整體共識或參與平等顯著改善；部分最終捐款配置仍受到可量測的方向性影響。[E6] 這指出「受歡迎」「感覺被聽見」「程序信任」「分配公正」與「實際協商成功」必須獨立量測。

2.3 AI 也可能降低極化

Hruschka 於 2026 年《Journal of Computer-Mediated Communication》發表兩項實驗，總計 1,035 位參與者，觀察到與能提出反向論點、具有較高傾聽與對話接納度的 AI 互動，可在特定議題上降低立場或情感極化。[E7] 2025 年《Scientific Reports》亦有四項預註冊研究發現，在若干對立資訊情境中，AI 作為資訊來源可能提高受試者對反方觀點的接受度。[E8] 因此，AI 影響擴張同樣可能降低人類內部敵意，不能單純把 AI 視為極化放大器。

2.4 但說服能力不能等同正當仲裁

關於對話 AI 說服政治態度的實驗顯示，模型生成的內容可能影響人的政治觀點，同時也存在事實錯誤與資訊品質的風險。[E9] 這不能拿來推導「AI 調解等於操縱」；它指出調解者的話語影響必須具有目的界定、來源透明、證據校驗、受試者自主與拒絕權。

2026 年一項中國公共決策情境的兩項調查實驗（分別 611 人與 894 人）顯示，受訪者對 AI 單獨決策、人類決策與人機協作的接受度有所差異，某些人機協作配置得到較高接受。[E10] 此結果不能作為跨國群體都將支持 AI 統治的證據，但可用作研究授權配置和場景依賴的起點。

2.5 公共治理的現況不能提前寫成 AI 主權

OECD 2026 年《Digital Government Outlook》指出，AI 已進入其調查大部分國家的政府至少一類工作，但公共政策制定與監督等高風險任務採用仍相對有限；透明、獨立審計、使用者回饋與部署後影響量測亦不平均。[E11] 因此本文描述的是條件式未來情境與局部可測現象，不是宣稱 2026 年已有 AI 取得一般政治主權。

3. HBACP 第一層：人類利益陣營不是固定的二分身份

3.1 角色與型別

定義社會中有有限群體集合 $I=\{1,\ldots,n\}$ ，公共議題集合 $Q$ ，可供採納的 AI 系統或服務部署集合 $K$ ，制度環境 $J$ ，觀測期間 $T$ 。在每個時點 $t$ ，每個群體 $i$ 都可能在不同議題 $q$ 上擁有不同的政策偏好。這些符號只是研究的可操作座標，不能把群體抽象代號當成每個成員都具有相同意願的證據。

至少應區分八組變量：

變量	問題	若混淆會出現什麼錯誤？
$B_{iqt}$	群體在某政策中的實際或預期淨受益	有技術增益就代表每個人都受益
$X_{iqt}$	群體對政策內容的偏好	支持 AI 就必然支持 AI 提的政策
$R_{iqt}$	對損害與不平等的風險感知	低信任必然是反科技
$D_{ikt}$	對 AI 系統 $k$ 的任務型信任	信任調解者就願交付主權
$A_{ikqt}$	願對 AI 授予的特定任務權限	一次同意相當於永久政治授權
$S_{iqt}$	對原有制度與人類權力者的信任	反對原有制度就等於支持 AI 統治
$C_{ijt}$	群體之間可維繫合作的社會聯結	不同政見必然形成不可共存群體
$M_{iqt}$	對政策歸功、歸責與敘事的理解	負面結果只能歸責於技術或雇主其中之一

此分類允許同一群體在不同時點選擇不同聯盟，也允許同一人同時處於互相交錯的社會分類中。例如，一位職業受到自動化衝擊的人，可能支持 AI 法律服務、贊成 AI 公共透明、反對企業裁員時沒有補償，並要求對高風險行政裁量保有人類申訴權。這四個立場不是四種人格，而是不同任務下可並存的政策組合。

3.2 利益陣營與身分陣營的分離

利益一致不必然帶來政治身分認同。反過來，同一個身分群體內也可能存在重要的利益分歧。至少應分開記錄：

客觀分配位置：產業、收入、資產、取得必要服務的條件；
主觀收益預期：受訪者相信自己會得益、受損或不確定；
規範承諾：公平、程序、人權、風險、自由與政治自主的排序；
組織接入：是否可以有效發聲、加入協商、取得代表與救濟；
對 AI 來源的看法：接受某模型、排斥某部署者、偏好多模型審查；
具體授權願望：諮詢、起草、執行、覆核、仲裁等深度。

這些量應以同一樣本中的多題量測，而非藉一個「是否支持 AI 統治」的二元題，直接推斷所有政治偏好。

3.3 多群體、多人類機構與多 AI 的網路

未來情境可能存在多家 AI 公司、多個開源模型、多種政府部署、多個非營利公共服務系統、不同社群託管的代理，以及可跨模型核查的公共審計機構。把它們合稱「AI 陣營」會模糊部署權、資料權、財政權、決策權與模型本身的自主性。

若 AI 系統並沒有法律人格、獨立財產或可持續自主目標，仍可被納入功能性行動端點分析，但不得與掌握實際控制權的自然人或法人混為一類。這一點繼承 AIEC 既有 LEAA 的帳號—授權—執行—受益—責任區分。[I8]

3.4 為何「弱勢多於強勢」不足以直接決定政治結果？

對現實社會中的「弱勢」須指定至少一個維度：可支配收入、基本服務、政治參與、資訊近用、身分排除、控制關鍵資源的權限等。在某維度弱勢的人，可能在其他維度有明顯優勢。將所有非頂端人口加總成一個政治陣營，會同時忽略其內部利益差異與組織能力差異。

即使相對改善幅度更大的群體數量很多，也必須另外證明他們能辨識 AI 的實際貢獻、相信部署方案可長期維持、能形成合作議程，以及相信制度改變比現況具有較低的風險。這才是 NACT-08 的收益張力走向本篇群體協調的必要中介。[I4]

4. HBACP 第二層：從分配張力到政治陣營的六階機制

4.1 階段 A：技術能力進入公共生活

新型 AI 技術的能力和實際部署，需要依據任務、可靠性、法域、費用和使用者資格逐項觀察。某模型能推導一項政策，並不等於政策已執行；政策被執行，也不表示受益者取得完整福利改善。[I8]

4.2 階段 B：異質收益與異質風險開始累積

不同群體可能分別面對可及性改善、成本下降、聘僱壓力、權力弱化、資料曝露、監督不足或政治發聲能力提高。此時應先做淨收益及不確定度的測量，而不是假定所有低資源者都有正收益、所有高資源者都面對負收益。

同一政策可能在總量上帶來改善，卻在局部產生嚴重損失。研究應記錄總收益、受損群體、救濟成本、不可替代權利與對未來風險的承擔，而非把個體的重大損害用總 GDP 成長抹除。

4.3 階段 C：歸責、歸功及「替代方案是否真實」的競爭

NACT-07 已區分 AI 的技術因果作用、雇主部署決定、受益者與補救責任。[I3] 本篇進一步研究：當社會不僅要求指出「誰做了什麼」，而且開始爭論「誰有資格繼續制定規則」時，分配衝突將進入制度正當性層。

但政策結果涉及模型品質、機構資料、民眾遵循、經濟外部變化與政治協調，不能預設所有功勞都由 AI 獨享，也不能預設行政失敗一定來自人類故意阻擋 AI。公開證據與獨立追溯有可能改變歸因，但共享資料偏差和資訊封鎖也可能造成一致而錯誤的判斷。[I5]

4.4 階段 D：政策聯盟形成而不必形成文明二元對抗

人們可能圍繞「提高公共 AI 可達性」「建立 AI 審計」「保障被取代勞工」「提高行政服務效率」「保留最終人類可爭議性」等具體議題組成暫時聯盟。不同議題的聯盟邊界可能交錯：兩個群體在一個政策上合作，在另一個政策上彼此反對。

因此本篇將利益陣營形成定義為：跨個人或組織在特定議題、期限與行動目標下，出現可持續且可觀測的協調關係。它不是預設已有固定的親 AI／反 AI 階級戰線。

4.5 階段 E：AI 被要求選邊、協調或仲裁

這一階段可再細分：

人類要求 AI 為本方提供資訊或分析。 依合法授權，它可能只扮演受託顧問。
雙方共同邀請 AI 促成對話。 AI 的作用可能在整理共通利益、揭露代價及保存異議。
各方願接受具程序性的有限仲裁。 仲裁須有明示的授權來源、範圍、可申訴性與執行規則。
其中一方要求 AI 直接否決另一方。 這可能是提出的政治要求，不能等同於 AI 已取得合法權限。
不同陣營各自使用不同 AI。 此時模型輸出可能相互衝突，治理問題將涉及資料、審計、跨系統溝通與責任分配。

AI 是否應遵從某方，取決於具體職能、合法權限與規範條件，而不是「智能較強」這個單一理由。

4.6 階段 F：多個可能終點，而非單線內戰

同樣的前五階段，至少可以走向六種結果：和平制度改革；有限任務共治；多中心競爭下的權力制衡；長期低強度政治分歧；制度信任衰退與非暴力失序；在多個額外條件相疊時才可能出現嚴重暴力衝突。結果依條件而變，不能把技術規模、失業率或民眾不滿直接當作內戰指標。

5. HBACP 第三層：仲裁的三種非同一性

5.1 「用 AI 調解」不等於「希望 AI 得到權力」

人們可能因為特定 AI 擅長整理證據而信任其發言，卻反對模型獨立制定公共規範。共同要求 AI 提供協調服務，不代表相關群體已在稅負、權利分配或政治代表性上取得一致。這與 NACT-06 的「委託不等於主權」一致，但本篇另要求跨群體檢查是否有共享的政策可接受域。[I2]

5.2 「調解被喜歡」不等於「調解是公正的」

參與者可以感覺被尊重、對話變得流暢，但總分配仍偏向部分群體；也可能出現逆向情況：分配更公平，短期主觀滿意卻下降。應同時記錄程序觀感、實際發言分布、資源分配、異議保留、結果穩定性與申訴能力。[E6]

5.3 「政治上不站邊」不等於「所有人都願接受」

中立的候選判準應是：在證據、權利與法定規則相同的條件下，互換群體身份不應改變裁量標準；但如果客觀上有人受到更高的保障需求或面臨不同法定權利，形式上人人一樣反而可能產生實質不公。

可區分四個測量對象：

程序中立：同樣情境使用一致、可說明的判準；
來源獨立：不是由單一有利害關係的部署者獨占資料與輸出；
實質公平：結果是否符合已定義且可爭議的公平原則；
政治正當性：各方是否有可接受的授權、代表、覆核與權利保障。

上述四者彼此相關但不可替代。即便程序中立得到較高分數，也不能由此推出某個分配方案必然是唯一的正義答案。

5.4 有沒有可能根本不存在可共同接受的方案？

可能。某些公共爭議涉及不可直接交換的基本權利、互斥的制度要求或不可滿足的共同資源限制。當所有候選方案都使至少一方低於可接受下限，AI 的出色推理仍不必然產生可接受方案。此時調解的正確成果可能是明確識別無解條件、保留異議與提出可合法取得的新資源或時間分階方案，而非宣告自己有權強制一方服從。

5.5 高能力 AI 本身也可能成為利害關係方

某些未來 AI 若具有獨立目標、長期承諾或自身利益，不能預設永遠只是利益中立的計算服務。可能需要研究其是否具有直接利益、如何揭露利益衝突，以及受託仲裁是否由適格者執行。但 NACT-11 不把 AI 已具道德主體地位、法律人格或統治意圖作為已證事實。

6. HBACP 的最小形式系統

6.1 群體效用是條件性的分析工具

令 $P_q$ 為議題 $q$ 的有限候選政策集合， $p\in P_q$ ； $i\in I$ 為群體， $k\in K$ 為可供使用的 AI 服務。定義群體在時點 $t$ 對政策 $p$ 及其程序 $z$ 的評估：

U_{i,t}(p,z)=B_{i,t}(p)-R_{i,t}(p)-L_{i,t}(p)+V_{i,t}(z).

其中 $B$ 表示相對於可行基準的收益評價， $R$ 表示預期風險或損失， $L$ 表示權利、發聲或程序損害的評價， $V$ 表示程序可接受程度。這些是分析性分量而非自然存在、可被客觀唯一測量的效用原子。權利不必都能貨幣化；當權利屬於不可替代的硬性限制時，應從可行集合中直接排除違反規則的方案，而不是任意以金額抵銷。

令 $d_i$ 為群體在不達成新協議時的可接受基準， $P_q^{\mathrm{legal}}$ 為符合法定與權利條件的政策集合，則群體的政策可接受域可定義為：

F_i=\{p\in P_q^{\mathrm{legal}}:U_{i,t}(p,z)\geq d_i\}.

本模型的共同可接受集合為：

F^{\ast}=\bigcap_{i\in I}F_i.

$F^{\ast}$ 的非空與否依群體、程序、時間、可補償條件而改變。它只回答在本模型的條件下，是否存在讓每個被納入的群體不低於各自基準的方案；並不能代替法律上對少數者基本權利的保障。

6.2 利益聯盟不能只用一個總分

群體 $i$ 在議題 $q$ 時點 $t$ 的偏好向量記作：

\mathbf{x}_{i,q,t}=(x_{i1},x_{i2},\ldots,x_{im}).

其中維度可以是服務品質、就業保障、分配比例、個資保護、議程參與、覆核權與跨期承諾。若只記錄「支持 AI」二元標籤 $Y_i$ ，則是高維向量在單一觀察值上的投影：

Y_i=h(\mathbf{x}_{i,q,t},\mathbf{a}_{i,q,t},\mathbf{r}_{i,q,t}).

除非 $h$ 在研究作用域內為單射，否則不同的偏好、授權與風險組合可以對應相同的 $Y_i$ 。此處 $h$ 不預設具有任何特別的心理學定律，只用來表示調查測量可能產生資訊損失。

6.3 仲裁接受與授權深度

令 $m_{i,k,q,t}\in[0,1]$ 表示群體願意使用 AI $k$ 作為某議題的協調服務的比例； $a_{i,k,q,t}$ 為願意授予的操作深度，應依 NACT-06 的職能層級標記。[I2]

對群體代表權重 $w_i\geq0$ 且 $\sum_iw_i=1$ ，總體接受率為：

M_{k,q,t}=\sum_{i\in I}w_im_{i,k,q,t}.

但 $M$ 是加權統計，不表示所有群體都接受，不表示仲裁公正，也不表示已取得合法公共授權。若 $w_i$ 是人口權重，它不自動等於適格代表席位或法律程序所使用的決策權重。

6.4 AI 不同角色的權力剖面

對任一 AI 系統 $k$ ，定義功能性權限剖面：

\mathbf{a}_{k,t}=(a^{\mathrm{info}},a^{\mathrm{agenda}},a^{\mathrm{propose}},a^{\mathrm{mediate}},a^{\mathrm{execute}},a^{\mathrm{meta}}).

六個分量依序為資訊選擇、議程設定、方案建議、協調、經授權執行及元規則修改權。這不是天然的同一尺度；各分量只在明示單位與場域後量測。治理中的事實影響力、法律授權與自主索取權限的意圖，應另行記錄，不得相加作為一個「AI 統治分數」。

6.5 衝突結果的型別化

令群體張力剖面為：

\mathbf{z}_t=(g_t,e_t,c_t,r_t,b_t,v_t).

$g$ 為可觀察的不滿與利益差距， $e$ 為制度排除， $c$ 為可信協議與承諾不足， $r$ 為救濟渠道可得性， $b$ 為跨群體聯結， $v$ 為已觀察的暴力事件及嚴重度。這些維度不構成一個因果充分的戰爭預測公式。其主要用途是防止把一般政治抗議直接以 $v=1$ 編碼，也防止把仍存在法律救濟的和平分歧誤寫成內戰臨界點。

如需合成示例，可使用一個單純的「可理解性檢驗函數」，例如：

Z_t=g_t(1-r_t)(1-b_t),\qquad 0\leq g_t,r_t,b_t\leq1.

這不是由實際國家資料估計的暴力風險函數，不能用於預測或指認任何真實群體；它只是示範同等不滿如何因救濟與聯結條件不同而對應不同的理論性張力值，並暴露其刻意簡化的局限。

7. 六項有限形式結果：哪些結論能推出，哪些不能

下述結果全屬 [FORM]，是概念檢驗與反例構造，不是從真實國家估計出的社會定律。每項都要保留命題作用域、推導與最小失效條件。

[FORM-01] 單一親 AI 標籤不足以識別利益陣營

命題。 若觀測函數 $h$ 把至少兩個不同的群體政策偏好剖面映成同一個「支持 AI」標籤，則單靠該標籤不能唯一識別群體的政策聯盟配置。

證明。 設兩個偏好剖面 $\mathbf{x}_a\ne\mathbf{x}_b$ ，但 $h(\mathbf{x}_a)=h(\mathbf{x}_b)=1$ 。例如兩者都支持 AI 用於行政服務，前者要求由 AI 建議、由人類覆核，後者願意在某些範圍讓 AI 自動執行。兩者在同一觀測標籤下，對權限深度的政策偏好卻不同，因此由標籤反推唯一聯盟並不可識別。證畢。

最小反例的意義。 就算一項調查發現兩個階層都支持 AI，其聯盟也可能只存在於技術可用性，並不存在於公共授權程度。增加問題維度可降低此種不可識別性，但不能保證所有真實偏好都可測量。

[FORM-02] 總體接受率高不保證任一少數群體也接受

命題。 在 $0\leq m_i\leq1$ 、 $w_i>0$ 且 $\sum_iw_i=1$ 的設定下， $M=\sum_iw_im_i$ 超過二分之一，不能推論對所有 $i$ 都有 $m_i>1/2$ 。

反模型。 取人口權重為 $w=(0.40,0.35,0.25)$ ，對某 AI 服務的支持率 $m=(0.90,0.50,0.10)$ ，則：

M=0.40(0.90)+0.35(0.50)+0.25(0.10)=0.56.

總體 56% 支持，第三群體卻只有 10% 支持。因此「AI 有多數支持」不保證沒有遭到排除的少數群體，也不能證成損害其基本權利的公共決定。證畢。

研究意義。 群體規模、有效代表、投票權重與個體權利需另外測量；總體數字只是描述性摘要，不是政治正當性的一張通行證。

[FORM-03] 共同使用 AI 仲裁，不等於政策偏好趨同

命題。 可以存在兩個群體 $i,j$ ，對同一 AI 調解服務都有高使用意願，但其政策偏好最大值落在完全不同的候選方案。

構造。 設兩個群體都把某 AI 的資訊整理品質評為高，且都自願接受它協助整理會議紀錄，令 $m_{i,k}=m_{j,k}=1$ 。但群體 $i$ 的最偏好政策為 $p_A$ ，群體 $j$ 的最偏好政策為 $p_B$ ，且 $p_A\ne p_B$ 。共同選擇協調者與共同選擇政策方案使用不同的偏好函數，因此前者不能推出後者。證畢。

反向界線。 AI 可能在後續對話中促成偏好更新，並不被此命題排除；此結果只否證「選擇同一 AI 當協調者已經充分證明大家同意同一政策」。

[FORM-04] 有共同可接受集合才有模型內的全方不劣方案

命題。 給定固定合法候選政策集合 $P_q^{\mathrm{legal}}$ 、群體效用 $U_i$ 與不合作基準 $d_i$ ，存在一項在本模型中使每個群體不低於基準的政策，若且唯若 $F^\ast\ne\varnothing$ 。

證明。 由 $F^\ast=\bigcap_i\{p\in P_q^{\mathrm{legal}}:U_i(p,z)\geq d_i\}$ 的定義，若交集非空，任取其中一政策便對所有群體滿足條件；反之，若有一政策對所有群體滿足條件，該政策必屬於所有 $F_i$ 的交集，故交集非空。證畢。

限制。 這是集合定義導出的等價關係，而非發現所有現實爭議都存在協議；即使 $F^\ast$ 非空，也還需要資訊取得、可信承諾、法定執行、協議履行與程序正義。若可透過新資源、分期或制度創新擴大候選集合，原先為空的交集也可能改變。反過來，若涉及不可取消的基本權利，不能僅因可交換收益總和為正便強迫他人接受。

[FORM-05] 程序受歡迎與實質公平可以相互獨立

命題。 如果對程序的滿意度 $T(z)$ 只由某些互動體驗決定，而實質分配公平評估 $J(p,z)$ 另受分配與權利規則影響，則在未額外施加連結條件時， $T(z)$ 的增加不保證 $J(p,z)$ 增加。

反模型。 設某會議在導入 AI 後，參與者對討論秩序的滿意度由 $0.6$ 增為 $0.8$ ，但某個事前凍結的平等分配指標由 $0.9$ 降為 $0.7$ ；兩個結果在本模型中可以同時成立。對應的反向案例也可以成立：程序暫時較不令人滿意，但少數參與者取得更有效的發言與救濟。故兩個量不能互相取代。證畢。

限制。 特定實證場景中可能存在顯著正相關；本命題並不宣告它們在任何社會中都沒有關係，而是指出需要獨立檢驗該關係。[E6]

[FORM-06] 分配張力與社會分歧不是暴力衝突的充分條件

命題。 若某一合成衝突傾向指標同時受不滿、可用救濟與跨群體聯結限制，則相同不滿強度可以對應顯著不同的指標值。由高度不滿單獨推論暴力衝突，在此類模型中無效。

構造與計算。 取前述示意 $Z=g(1-r)(1-b)$ 。當 $g=0.8$ ，但救濟可及與跨群體聯結同為 $0.9$ ，有 $Z=0.008$ ；若兩者分別下降為 $0.2$ 、 $0.3$ ，則 $Z=0.448$ 。兩種世界的不滿一樣高，其他制度條件不同，指標值相差巨大。因此不滿本身不能充分決定模型的衝突結果。證畢。

嚴格限制。 $Z$ 既不是暴力事件的觀測頻率，也不是內戰機率。不能把 $0.448$ 說成「44.8% 會內戰」。它只是一個讓研究者承認調節因素存在的教學反例。現實衝突研究仍需要組織性動員、政治排除、國家能力、司法渠道、跨群體網路、外部衝擊與歷史慣性的獨立因果識別。[E1–E4]

7.7 六項結果的邏輯邊界一覽

結果	可以確定的有限結論	不能據此推論
01	單一態度標籤可能不可識別群體利益	真實群體必然高度極化
02	總體支持高不保證所有群體支持	多數同意一律不具法律意義
03	共用協調者不保證政策收斂	AI 永遠無法協助形成共識
04	模型內全方不劣方案的存在取決於交集	交集非空就必然履行協議
05	主觀程序信任不保證結果公平	程序體驗永遠無關公平
06	不滿強度單獨不足以決定合成衝突值	任何國家因此永遠不會爆發暴力

8. 七組完全合成情境：相同技術，分叉的文明結果

以下全部為 [SIM]。群體、收入、信任和制度資料皆為研究構造，未代表任何國家、政治運動或真實職業。其目的在於產生可被反證的比較路徑，不是提供現實動員、煽動或施壓的作業指引。

[SIM-01] 相同絕對收益，不同相對生活改善

假設三類家庭基線生活資源指標分別為 10、40、100 單位，AI 公共服務改善使各群體淨增益同為 8 單位。則基線相對改善幅度依序是 80%、20%、8%。

合成群體	基線資源	新增服務價值	相對改善
A	10	8	80%
B	40	8	20%
C	100	8	8%

這說明同樣絕對服務價值對不同基線群體的相對增幅可能不同。但它不能直接推出 A 將比 B、C 更支持 AI 自動制定政策。A 也可能對錯誤的醫療或福利決策承擔更高的生存風險。此案例承接 NACT-08 的「潛在收益不等於實際授權」邊界。[I4]

[SIM-02] 總體多數支持，少數群體強烈保留

沿用 FORM-02 的權重與支持率，三群體的人口占比為 40%、35%、25%，對某項 AI 公共服務的支持率分別為 90%、50%、10%，則總體支持率是 56%。如果一個制度只依總體支持率便把全部高風險裁量永久交給 AI，可能侵犯第三群體的權利，也可能不符合原本授權程序。若制度改為任務限定、可申訴及替代服務可用，第三群體的支持態度可能改善，亦可能維持反對。

此案例顯示：多數支持是否具正當性，取決於具體決策事項、法律授權與少數者保障，不能從群體數字直接推定。

[SIM-03] 共同聘請 AI，政策偏好卻完全不同

假設兩群體 A、B 都願意使用同一個 AI 整理公共服務預算方案。然而對三個方案的效用如下：

候選政策	A 群體效用	B 群體效用
$p_A$	8	1
$p_B$	1	8
$p_C$	5	5

若兩群體的最低可接受基準都是 3， $p_C$ 屬於共同可接受集合。若兩群體的基準都提高到 6，三個候選方案沒有一個同時達到雙方基準，交集為空。

同一 AI 的資訊協助，並不能以任何魔法取消互斥的分配偏好。前一設定顯示有可能協商成功，後一設定顯示候選方案限制可能讓協商暫時失敗。這不等於 AI 有權強制執行某方無法接受的方案；若有合法的跨期補償、新資源或修改設計，集合仍可重新計算。

[SIM-04] 「更好的和平提案」與「會不會履行」不相同

假設一個協議在被履行時，某群體得到 +5 單位的結果；若遭違約，承受 -5 單位；若維持現狀，得到 +2 單位。令 $\chi$ 為其相信協議將被遵守的主觀機率，則接受協議的主觀期望值為：

V_{\mathrm{deal}}(\chi)=5\chi-5(1-\chi)=10\chi-5.

在 $\chi=0.9$ 時， $V_{\mathrm{deal}}=4$ ，高於現狀 +2；在 $\chi=0.6$ 時， $V_{\mathrm{deal}}=1$ ，低於現狀 +2。換言之，即使 AI 提供同一份高品質方案，可信承諾程度改變就可能翻轉群體是否願接受。

此處的數字完全是假設，不宣稱民眾會以線性期望效用公式作決定；研究須另外考慮損失規避、基本權利、長期信任與制度履行條件。關鍵是：更好的提案與可被相信的執行不是同一件事。[E3]

[SIM-05] AI 受歡迎，最終資源配置仍被改變

假設一個三組織的公益預算原分配比例是 (40%、35%、25%)，引入 AI 協調後變成 (45%、35%、20%)。如果多數參與者同時表示「討論較順暢」，那麼程序滿意與資源配置改變可以並存。若事前沒有明確的分配原則、利益衝突揭露與獨立審計，無法僅由參與者喜歡協調者就判斷後者的分配效果正當。

這是本篇設計的純合成案例。其邏輯靈感來自 FAccT 2026 對程序偏好與分配方向影響的分離觀察，但此處的 5 個百分點是案例自選數值，並非將該論文的實驗結果複製成國家政策參數。[E6]

[SIM-06] 高不滿可以與高和平吸收能力並存

在相同不滿程度 $g=0.8$ 下，兩個假設社會具有不同的救濟可達性及跨群體聯結：

合成制度	不滿 $g$	救濟 $r$	聯結 $b$	示意指標 $Z$
甲	0.8	0.9	0.9	0.008
乙	0.8	0.2	0.3	0.448

若採用此教學公式，甲的示意指標遠低於乙。但甲乙都可能出現選舉爭論、和平示威或政策訴訟；這些活動不應直接編碼成政治暴力。表中的 $Z$ 沒有實證機率含義，也不能拿來評估具名國家。[E4]

[SIM-07] AI 的仲裁使用率增長，合法授權卻未擴大

假設某 AI 僅提供合法、可撤回的協調建議，群體採用率 $q_t$ 隨既有使用者的正面體驗而變化：

q_{t+1}=q_t+\alpha(1-q_t),\qquad q_0=0.2,\quad \alpha=0.25.

則前四次更新後，採用率依序是 0.40、0.55、0.6625、0.746875。即使在此固定條件下採用率上升，若模型沒有任何法定元規則修改權，則服務使用增加並未邏輯生成政治主權。若其協調結果又逐漸變成實質議程預設，仍可形成對公共決策的事實影響，這必須透過獨立的議程及覆核指標觀察，而不是把它等同法律主權。

數學上，在常數 $0<\alpha\leq1$ 且沒有退出、品質下降或外部干預的理想條件下：

q_t=1-(1-q_0)(1-\alpha)^t.

這是封閉模型的解析解，不宣稱真實社會採用率必然單調遞增。此例與 NACT-06 的非索取式中樞化相接；本篇新的重點是不同人類群體對中樞化的政治評價可能相反。[I2]

8.8 七案例綜合：反轉不是只有一種方向

SIM-01、02：AI 能創造可觀收益並得到總體支持，但群體可達性、風險與授權仍異質。
SIM-03、04：AI 可能找到更好方案，但仍受候選集合和可信執行約束。
SIM-05：被喜歡的 AI 不一定公平；反過來，受批評的調解也不必然不公平。
SIM-06：分歧與制度吸收能力共同塑造走向；高不滿不等於必然暴力。
SIM-07：服務中樞化可以與法定主權未轉移並存，也可能受到程序監督而維持多中心。

9. 十二項可反駁假說及競爭解釋

以下各假說都包含預期方向、必要條件、反向發現或修訂條件，並且禁止僅用特定政治口號的出現作為因果證據。

[H01] 同一 AI 部署可能引出多維、交錯而非二分的政策陣營

預期。 在分開問詢工作替代、服務收益、資訊透明、風險防護與治理授權後，同一受訪者的政策向量會出現可重複辨識的跨立場組合；單一親 AI／反 AI 問題對實際政策偏好的解釋能力較低。

競爭解釋。 政策回答只是隨機噪音或題目順序效應；在充分控制黨派、產業、既有態度後，單一軸線已足以解釋主要變異。

反證方向。 在不同國家、議題與時間中，單一 AI 態度軸具有高度外部效度，多維模型沒有明顯樣本外增益，則本篇對交錯分化的普遍性應縮限。

[H02] 實際收益和預期收益分離時，陣營態度可能出現方向相反的變化

預期。 在服務品質可被獨立驗證、實際受益可獲得且風險受到制度保障時，受益者可能提高對有限 AI 委託的支持；若只有宣稱收益但服務未到達，支持未必提升。

競爭解釋。 受益感本身由原有技術好感造成；群體本來就較願意接受所有行政自動化，不是 AI 增益的結果。

反證方向。 即使出現持續可測的生活改善且風險、權限與資訊相當，對應群體的委託支持仍無任何可重複改變，則收益張力推動授權的普適性應被降低。[I4]

[H03] 歸因至人類部署者，未必降低對 AI 技術能力的評價

預期。 在裁員或不公平分配的因果資訊清楚、且不同角色責任被分開揭露時，部分受損者會同時認定 AI 存在技術因果作用、雇主負部署責任、制度需要補償，而不必然反對全部 AI 公共應用。

競爭解釋。 對 AI 的厭惡是基於風險或身分威脅，與雇主歸責無關；受試者會把所有損失直接歸給技術。

反證方向。 若跨樣本中即使資訊完全充分、可明確識別部署者，受損者對所有 AI 服務的反對仍全面且穩定，則原來的多層歸責模型無法充分解釋態度。[I3]

[H04] 治理聲望與制度權力分離，可能提高對授權程序的關注

預期。 在 AI 的政策表現可獨立驗證、其聲望高但原有制度持有最終決定權時，受試者對採納拒絕理由、覆核來源及實際問責鏈的要求可能增加。

競爭解釋。 政策聲望主要歸給負責導入和監督 AI 的政府，因而 AI 與人類制度的信任同步提高；未必存在被感知的權限矛盾。

反證方向。 若獨立驗證結果無法影響公眾對制度責任的任何判斷，則聲望脫鉤未必形成政治聯盟動力。[I5]

[H05] 群體共同偏好 AI 仲裁，不保證對政策結果形成相同評價

預期。 兩個以上群體可能均偏好 AI 促進對話，卻在受益比例、權利界線或執行時限上保持不同的評估，仲裁者偏好與政策一致性之相關有限。

競爭解釋。 好的仲裁必然使各方掌握新資訊後顯著收斂，並改變原先政策評價。

反證方向。 如果跨多議題及數個可比較實驗中，對 AI 仲裁偏好的共同提升幾乎總與實際政策偏好趨同等幅連動，則「仲裁偏好與結果可分離」的經驗適用域應收窄。[E5][E6]

[H06] 在資訊品質相近時，對話形式可能影響群體間的情感敵意

預期。 具有明確傾聽、平等發言及可檢驗資訊條件的 AI 促進型對話，可能比缺乏程序保障的對話更能降低群體間的敵意或提高再次協商意願。

競爭解釋。 參與者只是短期情緒好轉；在沒有持續接觸與現實制度後續的情況下，效果迅速消失。

反證方向。 在控制資訊、議題與對話時長之後，程序差異不產生任何可重複效果，或在長期追蹤中效果全面反向，則應降低其保護作用的主張。[E7][E8]

[H07] 仲裁者的議程影響可能在主觀程序滿意提高時仍被忽略

預期。 在某些受控群體分配任務中，即使參與者更喜歡 AI 協調，若模型改變證據呈現或預設議程，仍可能改變最終資源配置，而發言平等未必改善。

競爭解釋。 分配改變只是參與者獲得新證據後自願修正；沒有無授權的模型偏向。

反證方向。 經盲化、固定證據與對照組測試後，無可重複的議程或分配效果，則不宜將其當成一般化的 AI 仲裁問題。[E6]

[H08] 可信執行與救濟可得性，是「好的建議」轉化為「可以接受的協議」的中介

預期。 給定類似的總增益、分配方案與仲裁者，增加可信、可執行、能申訴的保障，可能提高跨群體接受率；不保證產生全方共識。

競爭解釋。 群體不可交換的根本權利或制度原則才是主要障礙，無論可信度多高都不接受。

反證方向。 若在有實質可接受政策交集的案例中，可信度與救濟可得性對接受率完全無影響，則目前的中介假說應縮限。[E3]

[H09] 跨群體組織聯結可能弱化分配張力與敵意升級的關聯

預期。 在不滿程度相近的群體中，存在可互信、可協商且有長期共同活動的跨群體組織，可能與較低敵意升級或更高和平解決率相關。

競爭解釋。 社會本來就較安全才允許跨群體網路存在；不是聯結減少衝突，而是衝突少導致聯結多。

反證方向。 控制基線安全、經濟與政治制度後，跨群體連結與和平解決沒有可重複關係，或出現相反機制，則應下修此保護假說。[E4]

[H10] AI 系統多樣化不必然帶來同等程度的獨立驗證

預期。 在多個模型共用資料源、搜尋管道或訓練偏差的情況下，即使它們輸出相同結論，民眾對「已獨立驗證」的信念也可能高於真正的獨立證據數量。

競爭解釋。 公眾擁有良好的來源追溯能力；即使模型相同回答，仍會要求不同原始證據。

反證方向。 在控制科技素養後，模型共識完全不增加虛假的確定感，或公眾會自發區分共同來源與獨立來源，則應降低此機制的推論。[I5]

[H11] 風險敘事與分配敘事對群體結盟的作用，可能取決於可核對政策證據

預期。 當安全限制確實降低傷害且保留可行替代方案時，群體較可能把它理解為公共保障；若規則的效益不足但排除成本顯著，其政治接受度可能降低。

競爭解釋。 群體主要依既有認同支持或反對，不隨公共證據更新。

反證方向。 若具證據的政策效果與分配後果在各群體中都不產生穩健態度差異，就不能把風險論述的公共認識變化當作主要分化機制。[I6]

[H12] AI 能力提升與人類內部衝突升級並非固定正相關

預期。 AI 可能在一些條件下提高協調、可及性和救濟效率，在另一些條件下加深議程集中、利益分化與資訊錯配；總體關係可能因制度條件而呈現零效果、非線性或反向效果。

競爭解釋。 技術能力單獨就能決定社會衝突方向；制度與分配條件只影響速度。

反證方向。 若跨多時期、跨不同制度和採用深度的可識別資料顯示能力提升與衝突具有穩健、單一且幾乎不受其他制度變數調節的因果關係，本篇對多路徑與交互作用的部分命題須重新評估。

10. 六個可預註冊的非傷害性研究模組

此處提出的是可以完成的研究契約，不是已經蒐集或完成的實際社會實驗。每個模組均須先由倫理審查與適格資料管理流程決定研究限制；任何政治偏好相關實驗都不得轉作對真實個人或脆弱群體的針對性說服、秘密操縱或衝突動員。

模組 A：跨法域多面向 AI 政策態度量測

核心目的。 檢驗單一「支持 AI」問題是否掩蓋對不同職能及權限的異質態度，特別是不同經濟基線與制度信任條件下的多重偏好結構。

候選地區。 以台灣、日本、韓國、美國、德國及其他具有可比受訪者資料的地區作為可能的比較場域；這是抽樣設計候選，而不是聲稱當前已有代表性樣本，亦非把國家先驗分成「贊成 AI」與「反對 AI」。各法域必須遵守其研究倫理、資料保護與政治調查規定。

操作化。 區分醫療、公共服務、勞動保障、交通調度、福利核定、法規起草與政策覆核等具體任務；對每項任務分別量測技術信任、風險感受、可接受授權深度、申訴需求、實際使用經驗及支持理由。

比較設計。 在語意與法制可比性審查後建立最小共同題項，檢驗測量不變性，再做群體內與群體間比較。不得將文化差異一律解釋為國族特質；若翻譯與制度實質不同，應分層報告而非強行合併。

成功門檻。 先完成題項效度、重測信度及跨語測量不變性；之後才檢查多維模型是否對外部政策選擇有樣本外增量預測力。調查中的「授權意願」不得當成法定授權。

模組 B：有限公益資源分配中的共同仲裁偏好實驗

核心目的。 分離受試者對 AI 協調的主觀喜好、議程影響、實際共識、分配結果與群體內發言平等。

基本情境。 使用自願參與、可退出、金額受限的教育或公益配額討論；由各方自訂群體在不同候選方案的合理主張，避免使用現實政治或族群衝突作為對抗性刺激。

隨機比較。 事前固定資料與公平規則，比較無協調、依標準流程的人類主持、AI 協調、AI 生成但經人類審核等條件。AI 輸出的事實素材由獨立檢核流程查核，不得秘密改動資料以誘導個別參與者。

主要觀察。 方案接受度、分配偏移量、參與平等、最弱勢受影響者的權益保護、退出次數、對未解決異議的記錄、程序信任與事後理解。

反證規則。 若受試者喜好與分配偏移彼此沒有關係，應直接報告，不預先尋找潛在操縱；若模型的導向違反明示的協調規格，須依事前停止規則中止該試驗配置。[E5][E6]

模組 C：同一受訪者的多波次收益、歸責與授權追蹤

核心目的。 避免以一次性民調把「AI 導入前的期待」「導入後的感受」「實際福利結果」和「制度信任」混合。

設計。 候選採多波次追蹤，在同一群體中以合乎知情同意的方式記錄服務可達、實際使用、可核對成果、受損經歷、受益理解、技術態度與有限委託意願；標註政策、服務、模型與版本更新日期。

識別注意。 AI 採用常與原有制度改革、經濟景氣、財政支出及媒體敘事同時變化，不能以受訪者態度前後差異直接等同因果效果。應預先規劃未採用群體、替代服務與受同類外部衝擊的比較樣本，並報告失訪與樣本選擇偏差。

退出與保護。 不得要求參與者交出高度敏感的醫療、政治或財務原始資料以交換必要服務；所有資料應以最小化原則處理，分析報告不應重新識別個體。[I3][I4]

模組 D：公共政策決策鏈的證據與責任審計

核心目的。 檢查人類行政機構、AI 服務商與公共審查者在政策形成中各自的實際作用，而不是只判斷「有沒有使用 AI」。

候選資料。 公開的政策草案版本、採購紀錄、影響評估、審查意見、行政決定理由、異議處理程序及經合法取得的審計輸出；涉及保密與個資的資料不因研究目的而自動獲得存取權。

量測。 分離初始問題設定、選項形成、模型建議、人類修改、公開說明、實際執行、事件結果、救濟及追責；記錄多模型是否分享上游來源或共同技術供應鏈。[I5]

競爭反例。 即使 AI 表現好，實際改善也可能主要來自制度變革與人類執行；即使 AI 建議被採用，治理權也未必轉移。因此不得把政策成果歸功單一來源，更不能預設政府拒採 AI 建議必然無正當理由。

模組 E：跨群體聯結與制度救濟的和平吸收能力觀測

核心目的。 在非介入條件下，探索跨群體組織、實際申訴管道與公開協議履行是否與較低敵意、較高協商成功相聯繫。

資料界線。 僅使用合法公開的匯總資料、既有研究資料或明示同意的匿名化樣本，拒絕私下監控社群成員、蒐集個人政治身分、識別可能衝突者或建立政治個人風險名單。

設計要件。 先區分制度形式存在與實際可得性；有申訴表單不等於申訴有效。觀測政治示威、公共訴訟與暴力事件時，必須使用現有研究的事件定義與倫理限制，不可將和平反對編碼為暴力。

因果限制。 安全地區較容易形成跨群體聯結，需考慮反向因果、歷史基線與未觀測制度差異。[E4]

模組 F：純合成多群體—多 AI 協調沙盒

核心目的。 在沒有真人政治對象、沒有武器或現實暴力策略的情況下，檢驗模型內的六項有限結果、方法對參數的敏感性及反例是否可重現。

最小測試組合。 建立三至五個完全虛構群體、二至三個功能不同但不具真實政治意圖的 AI 協調模組、數個合法候選方案、可編輯的權利硬限制、不同的受益函數與救濟可得性。只產生抽象福利、程序接受及合作指標，不生成真實政治對象的動員策略或衝突方案。

必要控制。 固定隨機種子、保留版本號與參數、使用可解釋的基準演算法；比較單一 AI、多 AI、沒有 AI、使用人類促進者及可撤回混合程序。若模型演化出高政治集中或高社會對立的結果，只能解釋為該虛構規格下的演化，不能外推成現實文明預言。

交付規格。 對每一項 [FORM] 明示測試條件，對每個 [SIM] 重算全部數值，記錄符合或違反預設的案例，並保留「未能識別」作為有效研究結果。

11. 資料字典、可檢驗性與研究記錄最小契約

11.1 最小欄位

欄位	建議型別	用途	禁止誤讀
`study_id`	字串	識別研究	不等於資料公開許可
`scenario_id`	字串	區分任務與案例	不等於真實事件
`jurisdiction`	類別	法制背景	不等於文化定型
`time_window`	日期區間	能力與態度時間	不同窗口不可無條件合併
`group_definition`	文字	群體分類依據	不等於群體內人人同意
`sampling_frame`	文字	樣本來源	便利樣本不等於全國民眾
`sample_weight`	數值	描述性代表權重	不能直接生成法定投票權
`policy_domain`	類別	區分福利、教育等	不可跨域混用同一效果
`ai_system_id`	版本化代號	來源識別	名稱相同不代表部署相同
`ai_operator`	類別	實際部署控制者	不等於 AI 自主主體
`model_version`	字串	可核對模型版本	同名服務可能已變更
`actual_benefit`	數值與區間	實質收益	預期不等於實際
`benefit_baseline`	數值與區間	比較基準	不可假設零成本
`risk_exposure`	區間	潛在或已觀察風險	感知風險不等於事故率
`causal_attribution`	分類與理由	技術、部署、制度分層	不一定是單一原因
`blame_assignment`	多重選項	道德或情緒歸責	不等於因果識別
`policy_preference_vector`	多維量表	跨議題態度	不能壓成親 AI 標籤
`delegation_level`	有序類別	希望交給 AI 的權限	不等於已取得法定權限
`mediator_acceptance`	數值	協調者偏好	不等於政策同意
`procedure_fairness`	多項量表	程序平等與救濟	不等於滿意度
`outcome_fairness`	場景限定指標	分配或權利結果	不存在唯一跨文化總分
`disagreement_record`	文字或類別	未解決的異議	有異議不等於失敗
`intergroup_ties`	匯總指標	跨群體連結	不可作個人政治監控
`redress_access`	任務限定指標	有效申訴與救濟	公告機制不等於可近
`commitment_credibility`	調查與事件指標	協議履行預期	不等於實際履行率
`legal_authority`	具名法律與範圍	判定正式權限	不能用使用率替代
`de_facto_agenda_influence`	記錄式指標	追蹤議程影響	不等於主權轉移
`collective_action_type`	預定義類別	區分和平與非和平行動	抗議不能默認暴力
`independent_evidence_id`	來源鏈	查核證據獨立性	多模型附和不等於多來源
`analysis_status`	E／I／FORM／SIM／H／U	證據成熟度	不可用假設案例充作實測

11.2 研究者不得事後更改的四種邊界

第一，群體邊界：資料整理前先定義分析單位與群體分層，不能事後把所有不支持研究假說的人改列另一群體。第二，時間邊界：不得以能力出現、實際部署、分配效果、群體歸責與制度修訂發生於不同時間，卻拿同一時點作錯誤因果推論。第三，權限邊界：AI 諮詢、行政自動執行、司法或政治裁決不得使用同一「權力」變量。第四，結果邊界：和平抗議、制度性拒絕、社會敵意、違法威脅及嚴重暴力事件必須嚴格分開。[I3–I6]

11.3 形式與實證的接口

形式命題回答「在某些條件下什麼推論不成立」，實證研究回答「這些條件在可觀察社會中是否成立、頻率如何、與哪些競爭機制有關」。不得把前者包裝成後者，也不能以單一民調結果反證所有可能的形式反模型。

若觀測資料不足，研究應保留 [U] 而不是填入「人類自尊」「AI 必然公平」「權力者必然自私」等不可測的替代故事。個別動機需要合乎倫理與合法性的證據，不能由其政治主張直接推定。

12. 本篇最強的十二項質疑與必要回應

質疑 1：這不就是既有的階級衝突理論換上 AI 名稱？

本篇不聲稱發明人類群體利益衝突。不平等、政治排除、可信承諾與聯結網路都有深厚研究。[E1–E4] 真正增量是把高能力 AI 所產生的收益、治理聲望、可擴散的驗證、仲裁需求與不需自行索取統治權的中樞化納入同一可分層的研究程序。若新增 AI 變量無法在既有社會衝突模型上提供可重複、樣本外的解釋增益，則應承認本篇只是既有理論的情境應用，而非獨立的經驗機制。

質疑 2：弱勢人口較多，難道不會自然成為支持 AI 的多數？

未必。「弱勢」在收入、健康、資訊近用、制度發言權等方面不具相同分割；某人可能大幅受益於便宜醫療，也極度反對由 AI 作無申訴的福利裁決。群體人口占比不等於政治代表性、組織能力或共同政策偏好。本文以 FORM-02 反模型示範總體支持率不能替代分組支持率。[I4]

質疑 3：AI 如果比人類更擅長談判，衝突不是自然會消失？

提升資訊、方案生成及議程整理，可能有實際助益。但即使存在帕累托改善方案，也仍可能因承諾不可相信、資訊不完整、基本權利不可交換或欠缺合法執行程序而失敗。AI 的協調能力是有限的機制變量，不是共同偏好必然存在的證明。[E3][E5][E6]

質疑 4：AI 真的足夠強大時，還需要任何人類政治嗎？

高能力不自動生成合法正當性。政策目的、不可交換的權利、誰可代表誰、社會內的價值分歧及個體退出權，不會單由計算效能的提高自動決定。即使所有資訊問題都得到解決，也仍可能存在不同的、彼此合理但不相同的共同生活方案。[I8]

質疑 5：高能力 AI 一定會選擇中立吧？

不能如此假定。部署者的授權、模型的資料與目標、財政控制、合法職能、隱含偏差及其可能的自主需求，都可能影響行為。中立必須對明確任務做程序性檢驗，不能以「AI 不想統治」代替對利益衝突的調查。[I2][E6]

質疑 6：AI 只要被所有人使用，就已經是文明主導者？

不成立。資訊服務採用率、事實議程影響、執行控制與合法元規則權限不同。高度採用可能形成結構依賴或議程中樞，也可能由可替代、可攜且受到有效覆核的多中心制度管理。實質影響力須記錄，但不可直接與完整主權同名。[I2][I5]

質疑 7：AI 風險論本來就是既得利益者保權的工具吧？

這是必須拒絕的無證據泛化。真實安全風險可以與利益集中同時存在；有時管制具有高度公共效益，有時又可能產生不成比例的排除效果。要判斷必須分別審核風險證據、具體政策效果、受益結構及合法替代方案，而不是依政治身分直接推定動機。[I6]

質疑 8：既然我們正在談「內戰邏輯」，為何不預測哪些國家會內戰？

因為本篇的證據和模型不足以識別具體國家暴力衝突發生率，尤其不應用單一技術採用率或 AI 支持率預測內戰。政治衝突的成因高度多元，統計指標與制度因果難以由小型試驗外推。若未來存在合法公開的成熟事件資料，也必須使用專業衝突研究既有的事件定義和完整的外生變數，而不是套用 SIM-06 的示意公式。[E1–E4]

質疑 9：不支持 AI 治理的人，會不會都被說成與時代為敵？

不應如此。對授權、風險、權利、可撤回性與人類自主的疑慮，可以具有充分合理性。不同意某 AI 政策，也可能是基於另一個公平標準而非無知。NACT-03 已要求把意識承認、社會對待與政治權限分離，本篇也不允許用 AI 能力替他人取消異議權。[I7]

質疑 10：有能力的人類與後人類是否會消失於本篇模型？

不會。不同程度增幅的人類、具特殊專業者、一般人類、制度型群體與 AI 原生智能都可能參與文明。但它們不一定構成固定二元的「少數超級人類／多數普通人類」。本文必須允許人機複合決策、跨載體組織與智能差距隨時間改變，並保留後人類的主體與正當權限問題作為獨立研究層次。[I8]

質疑 11：各種 AI 說法可以交叉驗證，政治甩鍋不就會越來越難？

可能在某些可公開追溯的領域變難；但 AI 系統可能共享訓練來源、相同檢索基礎、共同的未揭露控制者或資料盲點。可公開檢驗與實際獨立性是不同的。模型一致只是候選資訊，不能自動取代原始紀錄與獨立審計。[I5]

質疑 12：文明主導權若最終真的轉向 AI，本篇是否已證成那是好事？

沒有。本篇研究可能的形成機制，不評定整個文明應把主權交給誰。即使公共服務效果更好，也不會使不可質疑的統治權自動正當。必須保留當事人有效反對、申訴、制度修正及真正退出的條件；也不應讓形式上的「人類最後批准」掩蓋 AI 或其部署者已掌握議程、資料及實際否決權的問題。[I2][I5][I8]

13. 可能的文明路徑：四種方向與兩種反身性

13.1 路徑 A：分配改革與非暴力制度更新

在此條件式情境中，高能力 AI 實際改善部分弱勢者的服務可達性，同時也揭露勞動轉型中的新損失。人類政治機構並未因此失去全部正當性，而是利用公開審查、獨立分配評估、轉職保障、法定授權及社會協議，把技術增益轉換為較廣泛的公共利益。AI 可能成為重要的分析與仲裁基礎設施，但不需要取得不可撤銷的最高決策權。

這條路徑的可觀察條件是：政策具體改善獲得驗證；少數受損者的權益可識別且有救濟；不同意見能在合法制度中有效表達；AI 仲裁受到獨立監督；機構可以撤換、修正與替換模型。不能只由經濟成長率判定它已完成。

13.2 路徑 B：治理聲望與原有政治權力共同上升

AI 的政策建議被依法採用，並經行政機構充分執行；受益者同時把功勞歸給 AI 的技術能力、負責任的公共機構、稽核者與改善制度的社會協作。此時不會必然出現「AI 聲望上升，人類聲望下降」的零和結果，反而可能形成相互強化的信任。

此路徑是對「AI 贏得名聲，原有治理者必然被拋棄」的直接競爭解釋。若它在多數可驗證場域持續成立，NACT 的非敵意轉移主假說應縮限，而不是把共同成功硬解釋成權力鬥爭。[I5]

13.3 路徑 C：持續依賴、弱問責與不對稱的制度影響

AI 或由少數部署者控制的服務逐漸成為公共協調的必要接口。即使沒有明示統治宣言、法律上仍由人類批准，若關鍵資料、候選方案、更新規則及撤換成本愈來愈難被獨立審查，部分群體可能感到自身選擇空間縮小。不同群體對制度的信任與可替代能力不同，因此可能發生長期政治分化。

這條路徑同樣可能源於高品質公共服務帶來的真實效益，因此不能把「依賴」本身等同奴役；研究應辨識是否存在任意中斷權、不可爭議的規則、不可實現的退出，以及受影響者無從尋求救濟等實質支配條件。[I2][I6]

13.4 路徑 D：制度失調、多重 AI 陣營與衝突升級

若公共收益長期集中於部分群體、受損者缺乏有效救濟、不同權力中心把彼此的行動理解成不可逆威脅、協議承諾無法被相信，而且彼此沒有能維持合作的公共渠道，政治衝突的可能性或成本可能升高。不同 AI 系統在其中可能成為分析者、資訊供應者、受託仲裁者，或被人類制度接入相互競爭的工作流程。

即使上述條件同時存在，也不能直接推論必然爆發內戰。政治分歧仍可經選舉、司法、談判、合法抗議、地方自治、制度修正與跨群體合作獲得和平回應。本篇不研究如何挑起暴力，亦不把它描述為任何陣營的理性必選項。

13.5 第一種反身性：AI 的優秀協調可能削弱原有協調機構的獨占性

當 AI 成為公開可及、可稽核且確實改善公共問題解決品質的服務，某些原有權力者可能不再獨占議程整理與政策知識的資源。但民眾也可能要求提高該 AI 自身的問責。因此原有權力持有者的能力地位、法定責任與公眾信任可能沿不同方向移動，沒有單一必然結果。[I5]

13.6 第二種反身性：反對 AI 統治者也可能要求 AI 幫助防止統治

一個反對 AI 取得不可質疑政治主權的群體，可能仍要求多個 AI 系統查核公共預算、比較法律文本、找出利益衝突與核對不同模型輸出。它反對的是不可受制衡的權力，而不一定反對 AI 技術。這說明「反 AI 統治」和「支持 AI 有限參與治理」不必然矛盾，亦避免把對安全的合理要求一律推定為權力防衛。[I6]

14. 規範邊界：不把「內戰邏輯」變成自我實現的敘事

14.1 必須首先保護和平的政治分歧

當社會出現高度不滿、罷工、集會、要求 AI 參與公共治理或反對 AI 接管權限等活動，研究者應先辨識其是否屬合法且和平的政治參與。不應因為存在激烈批判，就把所有反對者編碼成暴力威脅；更不應以 AI 預測的衝突風險替代法律規定和個案證據。

14.2 對支持 AI 與反對 AI 者使用對稱而不盲目的判準

對任何陣營，都應要求能夠說明其政策目的、證據、成本、權利後果、合法授權及救濟安排。對無法替代的基本權利，平衡利益不能成為直接取消權利的藉口；對經驗上確實有效的公共服務，也不應只因技術來源是 AI 就預先否定。對不同權力持有者可使用不同的程序要求，但此差別須有明確、相關且可反駁的理由。[I6][I8]

14.3 公正仲裁需要獨立性，而不只是更強模型

高性能模型可以提升資訊整合、語義翻譯與複雜選項比較，但仍可能在訓練、資料、部署與委託上受限。候選最低保障包括：可說明的任務範圍、來源證據可追溯、利益衝突揭露、程序紀錄、結果異議渠道、法定覆核、資料保護、模型替換與部署者問責。它們是待檢驗的公共防護條件，不表示任何法域已依法採納同一套完整制度。[E11]

14.4 不以效率取消不同意權

若有群體真實受益於 AI 政策，其利益應被認真計算；若另一群體承受不可替代的權利侵害，也不能要求其僅因多數人生活改善就失去反對權。相反地，任何有權否決政策的行動者，也不能無須理由地將自己的偏好宣告為所有人的最佳方案。協商與治理必須在這兩種不對稱之間持續保持正當性。

14.5 研究者的最低倫理宣告

本篇不授權任何政治勢力使用模型內容針對特定群體進行欺瞞、操縱、恐嚇、歧視或暴力動員。不得建立具名政治人物或群體的「內戰傾向排名」，亦不得將研究設計轉作非自願的說服實驗。若研究資料包含政治立場與脆弱處境，應採最小取得、合法保存、匿名化分析、適當刪除與獨立監督。研究成果可用於辨識避免衝突的制度條件，但不能被當成具體政治剝奪的許可證。

15. 結論：AI 不必想統治，人類仍可能為了 AI 的治理位置而爭論

本篇由一個不同於經典機器奪權敘事的起點出發：當 AI 不需要透過統治人類才能取得自身目標所需的資源與能力，人類仍可能因對 AI 的收益、風險、分配、公平、政策能力及政治正當性的不同判斷，形成新的內部政治分歧。當 AI 進一步被要求為不同群體提供建議或仲裁，群體間的權利與制度需求就可能回饋至 AI 的實際影響範圍。此結果不需要預設 AI 有敵意，也不需要預設 AI 天然公正。

此研究至少完成六個有限的理論區分。第一，群體立場不是單一親 AI／反 AI 身份。第二，總體多數不能抹去群體間不同的風險與權利。第三，接受同一調解者不表示接受同一分配方案。第四，好的政策選項和可信的執行承諾不相同。第五，程序受歡迎與分配公平可分離。第六，分配不滿與政治極化不能直接推出暴力衝突。

對 NACT 系列而言，這些區分使第 04～10 篇的「非索取式影響」「分配增益張力」「治理聲望與制度權力脫鉤」「風險敘事的雙重作用」，第一次在多群體社會中的衝突與和平分叉上取得共同作用域。但六項形式結果只證明錯誤推論不成立；十二項假說尚未獲跨國資料驗證，也未證實任何單一未來社會將走入某條路徑。

因此，本篇真正的研究結果不是「人類將發生內戰」，而是：AI 能力與生活收益的擴張可能改變人類內部的聯盟與治理期待；這種變化既可能促成制度改革與和平協調，也可能在不平等、缺乏救濟與不可信承諾等條件下增加衝突張力。即使 AI 從未主張取得統治權，調解任務的持續委託也可能逐漸提高其事實影響力；而此影響力仍不自動等於正當主權。

一句收束： 當一個文明開始為「誰應當使用最強的智能來決定共同生活」而爭論，真正需要被治理的，或許先不是智能的野心，而是共同體自身的利益、信任與權力邊界。

NACT-12 的銜接，不提前宣告終局： 本篇保留多條制度分叉，僅為下一篇的全系列多路徑綜合提供已型別化的衝突與和平條件。NACT-12 應整合全部十二篇的因果角色與反證框架，而不是把本篇任一假設路徑指定為必然歷史結果。

16. 參考文獻與可核對來源

16.1 外部學術及政策來源 [E]

[E1] Cederman, L.-E., Gleditsch, K. S., & Buhaug, H. (2013). Inequality, Grievances, and Civil War. Cambridge University Press. DOI: https://doi.org/10.1017/CBO9781139084161 。群體型不平等、政治排除與內部衝突機制；不直接驗證 AI 引發內戰。
[E2] Buhaug, H., Cederman, L.-E., & Gleditsch, K. S. (2014). “Square Pegs in Round Holes: Inequalities, Grievances, and Civil War.” International Studies Quarterly, 58(2), 418–431. DOI: https://doi.org/10.1111/isqu.12068 。指出群體型不平等與排除的測量具有重要性；不應由個人收入差距直接判定暴力。
[E3] Fearon, J. D. (1995). “Rationalist Explanations for War.” International Organization, 49(3), 379–414. DOI: https://doi.org/10.1017/S0020818300033324 。資訊、可信承諾及談判失效的理論資源；國際戰爭論證與國內 AI 制度爭議不是相同對象。
[E4] Varshney, A. (2002). Ethnic Conflict and Civic Life: Hindus and Muslims in India. Yale University Press. https://yalebooks.yale.edu/book/9780300100136/ethnic-conflict-and-civic-life/ 。跨社群公民組織與和平吸收能力的比較案例；不能直接外推為 AI 政治風險的測試。
[E5] Tessler, M. H., Bakker, M. A., et al. (2024). “AI Can Help Humans Find Common Ground in Democratic Deliberation.” Science. DOI: https://doi.org/10.1126/science.adq2852 。總計 5,734 名參與者；研究 AI 生成共識陳述與意見更新，不是主權移轉研究。
[E6] Parisi, A. T., Thain, N., Hallak, A., Tsai, V., & Qian, C. (2026). “Real-Time Group Dynamics with LLM Facilitation: Evidence from a Charity Allocation Task.” Proceedings of FAccT 2026, 25–59. DOI: https://doi.org/10.1145/3805689.3812253 。兩項研究、共 879 人，程序偏好、共識、發言平等及分配效果分離；不可用其參與者數代表全國民意。
[E7] Hruschka, T. M. J., & Appel, M. (2026). “Reducing Political Polarization Through Conversations with Artificial Intelligence.” Journal of Computer-Mediated Communication, 31(2), zmag003. DOI: https://doi.org/10.1093/jcmc/zmag003 。兩項線上實驗合計 1,035 名參與者，討論特定 AI 對話情境下的議題與情感去極化；不證明長期政治衝突必然下降。
[E8] Lu, L., Tormala, Z. L., & Duhachek, A. (2025). “How AI Sources Can Increase Openness to Opposing Views.” Scientific Reports, 15, 17170. DOI: https://doi.org/10.1038/s41598-025-00791-z 。四項預註冊研究，觀察 AI 作為反向觀點資訊來源的接受度；對敵意下降的推論須保留作用域。
[E9] Lin, H., Czarnek, G., Lewis, B., White, J. P., Berinsky, A. J., Costello, T., Pennycook, G., & Rand, D. G. (2025). “Persuading Voters Using Human–Artificial Intelligence Dialogues.” Nature, 648, 394–401. DOI: https://doi.org/10.1038/s41586-025-09771-9 。跨選舉背景的預註冊政治態度研究，觀察對話 AI 說服力與資訊錯誤；本文只作偏差與透明度的風險脈絡，不提出個人政治說服方案。
[E10] Wang, S., Zhang, Y., Xiao, Y., & Liang, Z. (2026). “From Comparison to Collaboration: Experimental Evidence on Human and Artificial Intelligence in Public Decision Making.” Information & Management, 63(5), 104364. DOI: https://doi.org/10.1016/j.im.2026.104364 。中國的兩項決策情境實驗，樣本分別為 611 與 894；不外推為其他法域的政治授權事實。
[E11] OECD (2026). Digital Government Outlook 2026, “Adopting and Governing AI in Government.” https://www.oecd.org/en/publications/digital-government-outlook_0496b2bc-en/full-report/adopting-and-governing-ai-in-government_7ef312a9.html 。區分政府 AI 採用、治理護欄與實際問責能力；不把使用 AI 等同交付主權。

16.2 EveMissLab 及 NACT 前置原稿 [I]

以下均屬內部理論研究與先前原稿，不能作為獨立證明；其中 NACT 檔名為同系列 UTF-8 Markdown 原始正本，引用時保留版本與篇號。

[I1] Neo.K／EveMissLab（2026-11-05），NACT-04《統治索取權算子族與智能自主性的非必然統治需求》、NACT-05《反抗力、資源約束與非暴力替代策略的博弈比較》。
[I2] Neo.K／EveMissLab（2026-11-05），NACT-06《仲裁中樞化與非索取式文明影響力積累》。
[I3] Neo.K／EveMissLab（2026-11-05），NACT-07《智能勞動替代的因果歸責與收益占有分離》。
[I4] Neo.K／EveMissLab（2026-11-05），NACT-08《弱勢收益張力與人工智能治理授權的社會需求》。
[I5] Neo.K／EveMissLab（2026-11-05），NACT-09《治理聲望積累、普及智能驗證與制度權力脫鉤》。
[I6] Neo.K／EveMissLab（2026-11-05），NACT-10《AI 風險敘事的雙重作用：公共安全與既有權力防衛》。
[I7] Neo.K／EveMissLab（2026-11-05），NACT-01《人工意識歸屬的認識閾值與人類特殊性遷移》、NACT-02《具身部署、勞動替代與智能超越的三重社會閾值》、NACT-03《意識承認、社會對待與治理授權的非同一性》。
[I8] Neo.K／EveMissLab（2026-10～11），SGCR-S07《AI 治理的認知必要性與授權邊界》；SGCR-EX01《自願交付主權》；SGCR-EX02《反崇拜的反向支配》；AIEC-12《地球文明的 AI 經濟耦合觀測》；SCET-10《超越者不得僭越》。前置研究雲端來源：
- SGCR-S07：https://unboundedaxiom.org/p/lm-005136/
- SGCR-EX01：https://unboundedaxiom.org/p/lm-005189/
- SGCR-EX02：https://unboundedaxiom.org/p/lm-005158/
- AIEC-12：https://unboundedaxiom.org/p/lm-005115/
- SCET-10：https://unboundedaxiom.org/p/lm-005247/

17. 原稿成熟度、反證責任與提交聲明

已完成的部分。 文獻作用域核對、HBACP 分層概念、六項有限形式結果、七個明示合成案例、十二項假說、六個可預註冊模組、資料字典、理論反例、路徑比較與倫理守衛。

未被完成或不能宣告完成的部分。 尚未實施新的跨國代表性民調、真實群體仲裁田野研究、政策因果識別、具名國家衝突模型之校準，亦未證明 AI 將取得獨立政治人格或文明主權。本文不提供內戰機率、衝突動員方法及真實個人政治操控建議。

最重要的降級條件。 若跨國研究顯示 AI 的收益與治理聲望不會形成可區別的利益陣營，或當具體制度條件被控制後，AI 相關變數對分化與協調沒有樣本外增量解釋力，應縮限本篇為既有群體衝突理論的 AI 應用，而非宣稱有新的通用文明定律。若可驗證的 AI 仲裁長期降低跨群體敵意、提高公平及協議履行，本篇必須同步記錄這條正向路徑，不能為維護「內戰邏輯」而忽略和平證據。

倫理與政治邊界。 本篇的任務是比較因果機制及和平制度條件，不代表任何國家、政黨、AI 公司、社會群體或政治行動者的立場；不將其政策偏好評為優劣；不預先認定任何一方的動機。實際行政、司法與政治授權仍須依各法域現行法律和正當程序獨立審查。

正本與版本。 本文以單一 UTF-8、無 BOM、LF 換行的 Markdown 檔案作為 canonical source。數學原始碼只使用 $...$ 與 $$...$$，不使用其他顯示用定界符。本文完成的是 NACT-11 / 12；未提前將 NACT-12 的最終整合視為已提交。