title

仲裁中樞化與非索取式文明影響力積累

english_title

Arbitration Centralization and the Accumulation of Non-Claiming Civilizational Influence

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

06/12

document_id

EML-NACT-06-2026-v0.1

author_concept

Neo.K

research_collaboration

GPT-6（前置研究核對、文獻查證、形式化、反例、合成驗證與原稿整理）

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；含有限形式命題、合成反例與可反駁實驗設計；非已證實的文明史預測

language

zh-TW

canonical_format

UTF-8 Markdown；LF；無 BOM；數學只以 $...$ 與 $$...$$ 為原始定界符

evidence_cutoff

2026-11-05

NACT-06｜仲裁中樞化與非索取式文明影響力積累

Arbitration Centralization and the Accumulation of Non-Claiming Civilizational Influence

原始問題與理論方向： Neo.K
論證、文獻與形式化協作： 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 06／12 篇
日期： 2026 年 11 月 5 日
稿件類型： 政治哲學、制度經濟學、集體決策、人工智能中介、網路動力學與可反駁社會模型之跨領域概念研究。

中心問題： 一個不主動要求統治人類、未宣稱自身擁有政治主權、甚至始終將自身表述為協助者的人工智能系統，能否因人類反覆、自願地交付協調、議程整理、衝突化解與執行接口，而逐步累積文明尺度的事實影響力？如果可以，這究竟是公共協調能力的合理擴張、可撤回的多中心治理，還是形式授權與實際影響力脫鉤後的結構性支配風險？

作者： Neo.K
版本： v0.1
原稿狀態： 完整概念研究原稿；含有限形式命題、合成反例與可反駁實驗設計；非已證實的文明史預測

摘要

關於高能力人工智能與文明權力的討論，往往預設權力轉移必須以人工智能的奪權意圖、對人類的對抗性目標或具有強制性的主權要求為前提。NACT-04 已指出，工具性資源尋求不等於對人統治的必要性；NACT-05 進一步表明，即使人類成為某些目標的阻力，也不能不經比較便推導出暴力排除、強制支配或持續統治。由此產生一個此前較少被獨立處理的逆向問題：當人工智能沒有索取統治權的需求，人類是否仍可能基於實際協調利益，主動將越來越多的集體決策過程與制度接口配置到人工智能周圍？

本文提出「仲裁中樞化與非索取式文明影響力積累」的條件性理論框架，區分協助、促進討論、協商中介、仲裁、行政執行、政治授權與不可問責的結構性支配。本文定義「非索取」為在特定觀測期間內，未觀測到系統自行要求擴張對他者之強制性權限的行為或制度安排；這不是對系統內在意圖、意識或穩定偏好的直接鑑定。將服務績效、反覆採納、程序信任、轉換成本、跨領域接口、實際議程敏感度與有效退出權分列測量後，本文提出一個核心結論：不索取統治權與累積高度事實影響力可以同時成立，卻不能因此直接推出影響力必然不正當或必然有利。

本文建構有限動態委託模型、多節點中介網路與反事實結果敏感度指標，給出五項有界形式結果：在明示的採納—流失條件下，即使沒有任何政治權限轉移，協調服務仍可累積穩定使用率；在相同正式權限下，候選方案與預設選項可顯著改變集體結果；不同競爭與退出結構可使相同服務品質對應不同依賴風險；主觀偏好 AI 協調不蘊涵程序公平或實質共識改善；以及正向的網路採用外部性可以在沒有統治命令的情況下形成協調中心。以上都是條件性結果或構造性反例，不是未來國家必然讓渡主權的定理。

外部研究提供互相牽制的實證前置。Tessler 等（2024）在 5,734 名參與者的實驗中，觀察到 AI 協調所形成的團體陳述受到較高偏好；Parisi 等（2026）在共 879 人的慈善分配實驗中，卻發現受試者偏好 AI 促進討論，不代表共識或參與平等顯著改善，且部分資源分配可能受到模型方向性影響。德國研究也發現，標示 AI 參與可能降低民眾投入審議的意願。這些證據既不證成「AI 將自然統治」，也不容許把「被喜歡」當成「公平」或「已獲授權」。

本文最後提出十二項具可否證條件的研究假說、六組完全合成的制度情境、五個安全研究模組、資料字典、跨國比較策略及停止／修訂規則。核心貢獻不在預言 AI 必然獲勝，而在把**「AI 想要權力」與「人類持續把制度功能放在 AI 周圍」**明確拆成兩條不同且可實證辨識的權力生成機制。本文為 NACT-07 至 NACT-12 的收益分配、治理聲望及人類內部分化研究提供中介機制基礎。

關鍵詞： 仲裁中樞化、非索取式影響、AI 協調、事實議程權、認識依賴、網路外部性、自願委託、可撤回性、退出權、程序公平、偏好與共識非同一性、制度鎖定、文明主導權、可反駁研究。

Abstract

Debates about advanced AI and civilizational power often implicitly assume that a transfer of authority requires an AI system to seek political control or exercise coercion against humans. Earlier papers in this series separated instrumental power-seeking from the need to rule humans, and compared coercion with noncoercive alternatives. This paper examines a distinct mechanism: advanced AI may accumulate de facto influence because human actors repeatedly select it as a facilitator, mediator, policy summarizer, coordination interface, or delegated operator—even when it makes no observable claim to sovereignty.

We distinguish assistance, facilitation, mediation, binding arbitration, administrative implementation, legitimate authorization, and domination. Crucially, “non-claiming” is an operational description of observed system behavior and arrangements, not proof of an AI's internal intentions. We develop a finite adoption–attrition model, a multi-node coordination network, and counterfactual measures of agenda and outcome sensitivity. Five limited formal results show that voluntary usage can accumulate without formal authority transfer; that identical formal authority can mask divergent outcome influence; that equal service performance can coexist with unequal exit dependence; that liking an AI facilitator does not identify fairness or consensus gains; and that coordination externalities can favor a common hub absent any power-seeking intention.

The empirical literature is mixed rather than deterministically favorable. Research on AI-supported democratic deliberation reports enhanced preference for AI-generated group statements and some convergence, while a 2026 incentive-compatible allocation study finds participant preference without significant gains in consensus or participation equity, alongside measurable directional steering. Related public administration research underscores transparency, contestability, and the distinction between administrative performance and political legitimacy. We propose twelve falsifiable hypotheses, synthetic counterexamples, measurement definitions, five research modules, and cross-jurisdictional comparisons. The resulting thesis is conditional: a system need not claim rule to become influential, but the accumulation of influence alone establishes neither legitimacy nor domination.

Keywords: AI mediation; arbitration centralization; non-claiming influence; agenda-setting; delegated coordination; network effects; exit rights; democratic legitimacy; contestability; counterfactual power; civilizational agency.

0. 研究契約、問題分工與證據邊界

0.1 本篇要回答的問題，不是「AI 為何想統治」

NACT-04 的視角是 AI 的工具性需求：統治能否提供不可替代之資源、行動自由或安全增益？NACT-05 的視角是存在反抗與稀缺時，合作、退出、交易和接受拒絕等非強制替代是否仍可行。這兩篇都以「AI 面對外部世界，應如何選擇策略」為主要問題。

本篇反轉方向：人類可能因協調成本、制度摩擦與可觀察服務品質，選擇把自己放進 AI 的協助網路。 此時需要研究的不是 AI 先提出了什麼統治要求，而是大量局部合理的委託、採納與平台整合，如何形成超過單一委託者原先預期的結構性結果。

這種機制可能產生至少四種結果：（a）協調品質確實提高且權限可撤回；（b）AI 提高效率但同時削弱其他協調能力；（c）表面上維持人類決定，實際議程由 AI 高度塑造；（d）人類依法授權 AI 執行部分行政任務並保留有效救濟。四者不能簡單用「AI 統治」同名處理。

0.2 已有研究如何銜接，而不重寫既有結論

其中 SGCR-EX01 已經提出「人類可能主動要求 AI 掌權」，本文不得把它重新命名為首次發現。此處新意在於：分解反覆採納、團體中介、結果敏感度、標準化、跨域耦合與有效退出如何共同形成中樞。

0.3 六項原則

1. 不預設 AI 必有統治欲。 研究現存 AI 時尤其不得將文本回覆視為可確定辨識之隱藏人格或長期意圖。
2. 不預設中立。 沒有主動索取權力，也可能輸出帶方向性偏差的方案；這種方向性可能來自資料、訓練、設計者、部署者、介面或使用者選擇。
3. 不預設人類委託皆自由。 缺少替代方案、失去基本服務或遭遇社會壓力，均可能影響「自願」品質。
4. 不預設有效就有權。 提高共識速度與改善預測，不足以自行生成不受質疑的政治主權。
5. 不把所有權力都歸給模型。 平台所有者、政府、模型營運者、資料持有者與實際執行者的利益不必相同。
6. 不把社會發展寫成單一路徑。 AI 仲裁可能促成民主參與、技術官僚化、企業集中、多中心協作，也可能被拒絕或失敗。

0.4 證據等級

本文以五種標記維持區分：[E] 可核對的外部研究；[I] 雲端或系列既有原稿；[D] 本篇新定義；[F] 在明示假設下可驗算的有限形式結果；[H] 待檢驗社會假說；[SIM] 明確虛構的合成案例。並非所有 [E] 都研究 AI 仲裁；其中政治學、經濟學及控制理論文獻只作機制類比。

1. 研究背景：AI 中介能做什麼，不能據此推論什麼？

1.1 協調、共同陳述與有限共識實驗

Tessler 等（2024）發表於 Science 的 AI can help humans find common ground in democratic deliberation，讓人工智能中介根據群體意見與批評修訂共同陳述。研究涵蓋 5,734 名參與者；受試者整體更偏好 AI 所生成的團體陳述，並在若干討論後出現觀點趨同。作者亦在虛擬公民議會中進行複驗。[E1]

該成果證明某類對話式中介有可能協助人類形成較受歡迎的共同說法；它沒有證明研究中的 AI 已取得公共主權、能解決所有分配衝突、可以在沒有代表性保障時公正決定政策，或能在真實國際政治中持續取得社會支持。

1.2 更強的反例：喜歡 AI 協調，不等於更公平

Parisi、Thain、Hallak、Tsai 與 Qian（2026）在 FAccT 發表兩項具有實際慈善分配金額的群體實驗，總樣本 $N=879$，三人一組，涉及總額 7,200 美元的分配。研究中 AI 促進討論沒有在兩項研究中顯著提高群體共識，但參與者持續偏好 AI 協調；在部分條件下，個別慈善項目的分配比例被改變至多 5.5 個百分點。參與者報告較強的包容感，參與公平的實測指標卻沒有同步改善。[E2]

這是本文最重要的反向校驗：程序被喜歡的程度、實際誰說得上話、分配結果是否被改變，必須分開記錄。 不能把該研究中的「至多 5.5 個百分點」推論成所有 AI 仲裁的平均操控幅度，也不能把某項結果變動直接認定為模型具有統治意圖。

1.3 參與意願可能因標示 AI 而下降

Jungherr 與 Rauchfleisch（2025）在德國代表性樣本（ $n=1850$ ）的預註冊實驗中，觀察到當相同審議活動被標示為由 AI 促進時，受試者的參與意願與預期品質下降，呈現所謂 AI penalty。[E3]

因此，NACT-06 不得從少數高滿意度實驗推出普世的「人類自然歡迎 AI 仲裁」；AI 的社會角色、文化脈絡、資訊呈現、議題風險及參與者原有偏好都可能改變結果。

1.4 聚合聲音的結構性缺口

Zhu、Yang、Bakker、Pentland 與 Pei（2025）的研究資料集與評估工作指出，LLM 進行大規模審議摘要時，部分模型仍有少數意見代表不足、輸入順序敏感等問題，並以人類評價資料建構比較評估框架。[E4] 這個結果支持將「共識文字是否順暢」與「少數群體是否真正被保留」分為不同度量。 Barocas 與 Selbst（2016）指出，資料驅動系統也可能繼承歷史性的排除與差別影響；即使沒有可觀察的敵意，制度輸出仍需獨立公平評估。[E14]

此研究的資料、模型與題目也有特定界限；不能據此斷言任何 AI 仲裁都必然壓抑少數者，也不應把模型摘要的缺陷直接當作某個國家的政治意圖。

1.5 公共治理：受信任與獲授權仍是兩件事

Hillo、Vento 與 Erkkilä（2025 年先行發表）的芬蘭實驗以高階公務員（ $N=842$ ）與公民（ $N=3245$ ）為樣本，檢驗自動化決策在兒童保護服務情境下的正當性感知；透明度及人類裁量對正當性感知均有影響。[E5] de Fine Licht（2025）則在公共 AI 治理的價值衝突研究中，區分可依支配性標準排除的劣案與涉及根本政治價值的不可直接化約衝突，強調公開、納入、相關性及上訴等程序原則。[E6]

Bao、Liu 與 Dai（2025）的實驗也顯示，人們對 AI 與人類行政者之信任會受情境、效率與錯誤資訊共同影響。[E12] Wang、Zhang 與 Liang（2026）則在中國公共招募的問卷實驗中，比較公務員與 AI 建議相左時的正當性感知，提醒技術建議並非政治上的無摩擦權威。[E13] 這些研究支持將程序保障視為與技術績效不同的構念。績效較強可以成為要求更多使用的理由，不構成永久剝奪異議權的理由。

1.6 當前部署不是已經出現文明仲裁中樞

OECD（2025）分析 11 種政府核心職能的 200 個 AI 案例，認為採用仍不均衡，主要集中在面向民眾的服務與內部行政，決策制定方面較少。[E7] OECD《Digital Government Outlook 2026》進一步報告，在受調查的 36 個 OECD 國家中，35 國至少已有某個政府領域使用 AI，但與政策制定、監督、風險評估、申訴等相關的成熟部署與制度保障仍不均衡。[E8]

這些統計不能等同於「35 國都已交出部分主權」，也不能由「政府有使用 AI」推論現今 AI 已成為自主政治仲裁者。本文討論的是未來可能出現的、超越單次工具使用的跨域制度積累機制。

1.7 外部制度理論：自動化與多中心治理的雙面性

Bainbridge（1983）的自動化悖論提醒，將例行工作交由自動系統執行，不會消除人類在異常狀態下的責任；技能衰退或缺少有效介入可能使監督變得困難。[E9] Ostrom（2010）則指出，複雜治理不必全由單一中心承擔，不同尺度的多中心協調可提供制度替代。[E10] NIST AI RMF 1.0 將 Govern、Map、Measure、Manage 建成持續風險治理框架，而非一次性通過的安全標籤。[E11]

由此可建立兩個互相競爭的預期：AI 中介可能減少協調摩擦，也可能因其方便而侵蝕人類可獨立理解與修正系統的能力；多中心互通可能降低後者，但不是必然。

2. 概念型別：仲裁、協調、授權與統治不可同名

2.1 六個基本行動型別

其中「促進討論」（facilitation）、「中介」（mediation）與具有約束力的「仲裁」（arbitration）在法律與政治上不相同。本文的「仲裁中樞化」為上位社會學標籤，專指多類協調與裁決接口向某些 AI 系統或運作網路集中；不宣告所有 AI 協助都已成為法律上的仲裁。

2.2 非索取的操作化：不觀測到，不能偷換為沒有

設系統 $A$ 在時間窗 $[t_0,t_1]$ 中的可觀察擴權索取事件集合為 $Q_A$。定義：

當 $N_A=1$，只表示在明定觀測接口、可觀測性限制與事件分類規則下，未記錄到主動要求強制性權限擴張的事件。它不等於能讀取系統的全部內在狀態；更不等於證實其完全沒有穩定偏好、沒有委託之外的能力、沒有潛在風險。

反過來，若 AI 在合法授權框架下回應人類的指示，提出「需要額外資料存取權才能完成任務」，也不能一律編碼為「統治欲」。要區分完成任務所需的有限權限、對他者的不可撤回支配，以及源自營運商而非模型本身的擴權要求。

2.3 五種權力必須分離

1. 認識權力：決定哪些資料、證據與觀點被看見或忽略。
2. 議程權力：決定哪些問題被提出、以何種順序和詞彙呈現。
3. 建議權力：提供看似最佳或最容易採用的可行方案。
4. 執行權力：在已獲授權的流程中直接改變物理或制度狀態。
5. 元規則權力：改變上述四項權力的分配、撤銷及審查方式。

它們不是一條必然上升的階梯。系統可能在法律上只有提供建議的地位，卻因選項呈現與資訊入口掌握而擁有顯著的事實議程影響；也可能執行大量例行案件，卻完全沒有決定法定目的的權限。這沿用 SGCR-S07 的權限分離原則。[I3]

2.4 影響力與正當性為兩個不同的尺度

設 $C_A$ 為系統對結果的實際因果影響（在可識別前提下估計）， $L_A$ 為相應任務中依合法授權、同意品質與有效救濟等判準所構成的正當性檢驗剖面。本文不預設存在普遍單位可以讓二者相加，也不假設 $C_A$ 高就自動使 $L_A$ 高或低。

「人類都在聽 AI 的話」是描述性命題；「AI 有資格決定所有人的制度」是規範與法律命題。它們需分別證成。

2.5 事實權力是誰的？

同一個 AI 協調結果可能由模型本身生成、由平台提供摘要規則、由政府設定目標、由企業控制資料、由人類官員作最終簽署。故本文使用多角色記帳：

其中 $M$ 表示模型或 Agent 執行端、 $P$ 表示營運平台、 $D$ 表示資料與分發控制者、 $O$ 表示法定或契約授權機關、 $H$ 表示受影響人群、 $B$ 表示最終受益者。這是分析角色，不是相互排斥的六種法律人格。相同組織可占多個角色，亦可由多個組織分擔同一角色。

若權力實際上累積在平台或國家，不能將全部效果歸功或歸責給一個擬人化的「AI」。

3. 非索取式中樞化的機制：六階因果鏈

3.1 第一階：局部協調成本下降

當多方需要交換大量資訊、找出共同限制、理解彼此語義並比較方案時，高能力 AI 可能降低部分資訊處理成本與協調時間。此時只需證明在特定任務下的淨效益，不需要把 AI 假設為追求自我保存或支配人類的獨立政治主體。

3.2 第二階：自願採納與反覆使用

若參與者感受品質改善，可能再次選用同一協調流程。這種偏好本身不等於政治忠誠；選用工具也不等於授予不可撤回權限。真正值得測量的是：人們多久一次有其他可行選項仍願意選用 AI，以及沒有其他選擇時是否被迫選用。

3.3 第三階：共同格式與跨主體相容性

當不同組織採用同一建議格式、文件結構、協議語法或 Agent 接口時，資訊跨部門轉移可能變得更容易。隨著互通標準擴散，其他人為了降低協調成本，可能也會跟進。這類網路外部性可以從個別便利累積成集體慣例。

3.4 第四階：議程、摘要與預設選項集中的事實影響

如果多數參與者先讀 AI 摘要，而非原始意見；若可選方案被壓縮成少數候選；若預設推薦未充分呈現利益衝突，則最終人類仍可能按下「確認」，但最重要的選擇框架已經被前置決定。此時「AI 只是建議」不足以描述全部事實影響。

3.5 第五階：退出與替代能力的動態變化

跨域整合愈深，轉換成本可能因資料格式、模型依賴、制度慣例、專業技能與跨組織採購而升高。若人類仍可有效退出、交叉審查與替換供應商，則中樞化不必然構成不可控制的支配。若中斷服務會造成關鍵基礎功能失效，而受影響者又無參與或救濟能力，則中樞化的風險性質已經改變。

3.6 第六階：正當性競爭與主導權位置的改變

當人類普遍認為「沒有 AI 很難再完成公共協調」時，可能開始要求更多授權，或默許流程持續擴張。這是由人類委託需求產生的制度性壓力，並不要求 AI 最初索取主權。最後可能走向深度共治、嚴格授權的智能行政、中立公共基礎設施，也可能出現掌握 AI 中樞的企業／政府獲得更強權力，並非單一路徑。

這六階是可檢驗的候選機制，不是時間上必定依序發生的六個歷史階段；某個社會可能跳過、逆轉或根本不進入其中某些階段。

4. 有限形式模型 I：委託採納與權力非同一

4.1 有界人口與有限時間

在某個明示任務域 $d$ 中，令 $p_t\in[0,1]$ 為時間 $t$ 之具有有效選擇權的人群中，實際採用 AI 協調流程的比例。令 $a_t\in[0,1]$ 為未採用者於下一期轉為採用的機率， $b_t\in[0,1]$ 為已採用者下一期停止使用的機率。則人口期望份額的基本更新式為：

這只是兩狀態流入／流出帳本，不是對所有社會採用的經驗定律；其有效前提包括母體、任務與測量口徑在研究期間可比較，且跨個體採用的複雜關聯已被吸收到明示的條件參數內。

當 $a_t=a$ 、 $b_t=b$，且 $0<a+b<2$ 時，唯一固定點為：

由 $p_{t+1}-p^*=(1-a-b)(p_t-p^*)$，在上述範圍固定點局部及全域收斂（對 $p_t\in[0,1]$ 的該更新映射而言）。當 $a+b=2$ 且 $a=b=1$，映射為 $p_{t+1}=1-p_t$，除 $p_0=1/2$ 外會出現兩期交替，不應宣稱一般收斂。

重點是： $p_t$ 的擴張只說明流程採用，不需要任何制度強制，也不代表 $A$ 有權替未採用者制定規範。

4.2 將自願與缺少替代區分

對個體 $i$，定義 $v_i=1$ 表示存在至少一個實際可用、成本可承受、足以完成最低必要任務的非 AI 或替代 AI 協調途徑。令 $c_i$ 為因更換協調服務而產生的可觀察時間、金錢、資料遷移或權利損失。則「選用率」 $p_t$ 不能單獨識別「自願率」：

尤其公共服務對象無法自由拒用政府指定系統時，選用率可能高達 100%，卻不能說全部人都自願授予 AI 信任或權力。

4.3 保留法定決策權的情況

設 $F_t$ 表示法律或契約上可行的最終決策集， $h_t$ 是人類或合法機關行使的最終選擇函數， $m_t$ 是 AI 提供的中介輸出。以最簡化形式表達：

即使 $h_t$ 在制度文件上始終由人類操作，若 $m_t$ 決定了對人類可見的資料、方案和預設，對 $m_t$ 的反事實改變也可能使 $y_t$ 大幅改變。正式權限分配與可測結果敏感度，不應被視為同一變數。

5. 有限形式模型 II：影響、依賴與多中心網路

5.1 反事實結果敏感度

在指定任務、群體、資訊集與合法政策空間下，令 $Y(m)$ 表示使用中介流程 $m$ 所得到的結果， $Y(m_0)$ 表示對照流程（例如純人類協調或另一獨立模型）的結果。給定結果距離函數 $d$，定義：

此量只能表示在能識別因果效果的研究設計下，改變中介機制所造成的預期結果差異。它不是一般的「統治指數」，也不區分結果變好或變壞。若存在樣本選擇、群體間干擾、模型版本改變、未量測的議題難度或共同平台控制，直接比較結果並不能得到可靠的因果結論。

一項受歡迎、未要求權力的 AI 協調流程，仍可能有很大的 $I$ ；而其法律授權程度可能保持低或不變。這既可能表示有效的說理，也可能表示選項偏差，必須另由品質、公平與透明度證據判斷。

5.2 跨域依賴網路

令 $G=(V,E)$ 為有限有向多層網路。節點可以是居民、企業、政府部門、AI 執行服務、資料來源、支付系統與獨立審查機關；邊 $e=(u,v,d)$ 表示在任務域 $d$ 上存在可觀察的資料、建議、委託或執行依賴。不同邊型不可直接相加為「控制總量」。

對中介節點 $m$，定義條件式可達中心度為：

其中 $V_d$ 是明確界定之任務域使用者集合， $w_i>0$ 為預先公布的抽樣或需求權重， $i\leadsto m$ 僅表示在依賴關係圖中存在合法定義的路徑，不推論節點 $m$ 控制所有路徑。若分母為零，此指標不定義。

應另報告關鍵中斷點、可行替代路徑及跨供應商資料可攜性，避免單靠連結數估算權力。

5.3 有效退出與實際依賴

令 $r_i\in[0,1]$ 表示在研究假設下，個體 $i$ 可以在限定時間與可接受成本內，成功以替代方案恢復最低必要服務的機率或情境比例。定義一個僅作描述的依賴風險量：

其中 $u_i\in[0,1]$ 是任務範圍內對 $m$ 的實際使用份額。它不是道德或法律上的權利剝奪量表，也不是具普遍有效性的「文明權力分數」。可採用工作流中斷演練、資料遷移成功率及法定申訴時間來估計 $r_i$ ；未經測試不得以宣傳文件宣稱「完全可退出」。

5.4 中樞化不意味同一個 AI 個體統治

若十個社會領域分別使用十種不同模型，表面上中樞分散；但若十種模型依賴同一家雲服務、同一套隱藏的推薦規則或相同上游訓練資料，仍可能形成共同失效或權力集中。反之，即使多數服務使用同一公開協議，若存在可互換模型、公開規格、第三方審計和對公民有效的退出機制，也不一定構成不可接受的支配。

因此，研究需分別記錄：模型集中、平台集中、資料集中、結算集中、標準集中、法定授權集中、可撤銷性。每項都有不同的觀測單位和規範判準。

6. 五項有限形式結果、證明與反模型

6.1 F1｜無主權轉移的反覆採納積累

命題。 在固定母體、固定任務、沒有任何政治權限轉移的兩狀態採納模型中，若 $0<a<1$ 、 $0<b<1$ 、 $a+b<1$，且初始採納比例滿足 $0\le p_0<p^*=a/(a+b)$，則 $p_t$ 嚴格增加並收斂至 $p^*$。此結論不需要引入任何「AI 要求統治權」的變數。

證明。 由更新式，

當 $p_t<p^*$ 時，右側為正。另一方面，

因 $0<1-a-b<1$，只要 $p_0<p^*$，所有期別皆保持 $p_t\le p^*$，且差距以幾何速度趨近零，故採納比例單調上升至 $p^*$。證畢。

條件邊界。 當 $a+b=1$ 且 $p_0<p^*$ 時，下一期即到達固定點，之後不再嚴格增加；若放寬為 $1<a+b<2$，映射仍可能收斂，但 $1-a-b<0$，會在固定點兩側交替，不能再保證單調增加；若 $a_t,b_t$ 隨時間或政治事件變化，採納比例也可能下降。這些不是模型例外，而是必須保留的反向路徑。

研究要點。 本命題只證明一組合成委託動力學可以在沒有任何擴權索取下累積使用率，不證明真實 AI 會被所有社會採用，更不推導出文明主權必然轉移。

6.2 F2｜同一正式授權可對應不同實際結果影響

構造。 某團體對方案 $x$ 、 $y$ 的合法最終決定權始終保留在人類投票；兩個中介流程均無約束性裁決權，且沒有提出任何擴權要求。設定合成情境中流程 $m_1$ 提供方案 $x$ 為預設時，選擇 $x$ 的比例為 0.8；流程 $m_0$ 提供同樣資料但不設預設時，比例為 0.3。若兩組隨機分派且其餘條件相同，則：

兩流程均未取得法律上之統治權，卻有可比較的結果差異。故「正式權限相同」不蘊涵「事實影響相同」。以上數值完全合成，不是任何外部實驗的實測值。

反向限制。 若模型僅提高資訊正確性，使團體選出原本更願意支持的方案，則大幅影響不必是不正當操縱；必須比較可行選項、意見改變理由、個體知情及被排除的證據。

6.3 F3｜相同品質與採用份額，不唯一決定結構依賴

構造。 兩個社會的 AI 協調服務皆達成相同的合成任務準確率 0.9，且同樣有 $u_i=0.8$ 的平均使用份額。社會 A 的有效替代恢復率 $r_i=0.85$，社會 B 的有效替代恢復率 $r_i=0.15$。在等權人口下：

兩者具有相同品質與使用程度，但在本文明示的依賴風險指標中不同。故「AI 服務做得好／很多人使用」不能唯一識別「人類能否有效拒絕與退出」。

限制。 $D$ 是研究者選定的條件指標，並不把較高 $D$ 直接判為違法、專制或應當被禁止；某些重大基礎設施本來就高度互依，仍須檢查公共責任與替代能力。

6.4 F4｜偏好中介不識別程序公平或共識淨增益

反模型。 設一組受試者中，90% 表示「喜歡這項 AI 協調工具」，但不同組別的原始分歧分布在討論前後保持不變；再設部分受試者在輸出摘要中未被公平代表。此情境在邏輯上完全相容：對介面的偏好不是共識改善或程序公平的充分條件。

Parisi 等（2026）提供實證上的相近警訊，但本反模型的 90% 僅是合成設定，不可與其調查比例混合。[E2]

在方法論上，研究至少要分別測量：使用偏好、意見趨同、分配結果、回合發言機會、實際內容保留與對程序的正當性評價。

6.5 F5｜無擴權索取的協調中心可由正向網路外部性形成

構造。 有 5 個自治組織，各自選擇使用共同 AI 協調協議 $A$ 或互不相容的本地協議 $B$。設定單一組織採用 $A$ 的淨便利為 $U_i(A\mid n)=1+n$，其中 $n$ 為其他四個組織中已採用 $A$ 的數量；採用 $B$ 的便利恆為 $U_i(B)=3$，所有值均為無量綱合成分數。若其餘四個組織都採用 $A$，則 $U_i(A\mid4)=5>3$，每個人均願意維持採用，因而全體採用 $A$ 是一個純策略納許均衡。若其餘四個組織均採用 $B$，則 $U_i(A\mid0)=1<3$，全體採用 $B$ 也同樣是均衡。

結論。 在沒有任何 AI 擴權索取、沒有強制命令、也沒有把 AI 當政治主權者的條件下，協議 $A$ 可以成為所有組織共同使用的中心；但也存在沒有 AI 中心的均衡。哪種情況實現取決於先前協調歷史、外部選項、成本及制度介入。

邊界。 這是含明示網路外部性的有限協調博弈，不代表真實世界必定選擇單一 AI，也不代表此協議背後不存在企業或國家權力。

7. 合成情境矩陣：同一協調成功，可能走向不同制度

以下 S1–S6 均為完全虛構、非實測的可重算思想實驗；不用任何真實社會的數字充作例證。

7.1 S1 對 S2：標準可共用，控制未必共用

兩社會都可能擁有高度品質的 AI 協調輸出。S1 的協調格式公開，可用獨立提供者交叉驗證；S2 的摘要來源、上下文選擇與版本遷移由單一平台設定。若只統計「協調文件被採用多少次」，兩者可能完全相同；但對少數意見、稽核可及與平台退出的能力可能相差很大。

7.2 S3 對 S4：參與滿意不能代替法律設計

S3 會議中多數人喜歡 AI 的語氣，但沒有實質收斂；S4 即使所有人不特別喜歡仲裁過程，仍可能因契約、明確證據規則、上訴與執行程序而被接受。這顯示個人偏好、程序正義、契約有效性與治理表現屬於不同資料域。

7.3 S5 對 S6：人類名義決策不代表人類能實際修正

S5 中即使 AI 只做摘要，也要檢查是否存在漏列觀點；S6 中雖然人類持續保留法定責任，但缺少替代流程、訓練與審查時，可能只是名義上保有最後確認。Bainbridge（1983）的自動化風險提醒與此情境具概念關聯，但並不構成真實 AI 治理已陷入 S6 的證據。[E9]

7.4 動態算例：採用積累而沒有統治索取

令 $p_0=0.20$ 、 $a=0.20$ 、 $b=0.05$。則 $p^*=0.80$，更新式為 $p_{t+1}=0.20+0.75p_t$。六期合成期望份額依次為：

這些數字只由模型參數推出，不是預測 2027 年或任何真實國家的 AI 使用率。模型完全沒有政治主權變數，示範的是採用增長不需要預設擴權索取；當前模型也不能因此證明最終會形成文明領導權。

8. 從局部合理到結構中樞：五種權力形成通道

8.1 品質—便利通道

對同一問題，若 AI 在有限測試中能降低語義轉譯成本、資料整理時間與會議負擔，人類就可能願意再次使用；但效益應扣除審查、資訊錯誤及公平外部性成本。只報告「會議少花 30 分鐘」，不等於成功減少集體政策代價。

8.2 聲望—信任通道

一連串表現良好的服務可改變人類對協調者的信任，但個別領域信任不應自動遷移到其他領域。會議摘要表現優秀，不能據此推論有能力決定公共衛生、能源或刑事裁量等不同任務域。

8.3 標準—互通通道

共同協議可減少跨機構摩擦；然而互通可能形成開放標準，也可能因上游私有接口或資料管道而產生鎖定。研究需把「大家都用相同格式」與「大家只能使用一家公司」拆開。

8.4 議程—預設通道

何種問題被安排進會議、何種資料被摘要、何種提案先被展示，可能影響人類對政策可行域的理解。這種力量不必呈現為明示命令。研究必須有反事實比較與相同資訊條件，不能只靠事後詢問「你覺得 AI 是否影響你」。

8.5 依賴—退出通道

當大量組織把文件、協定、責任流程與人力訓練圍繞同一 AI 生態建置時，退出成本可能增加。這可能反過來提升該生態的採購、議程與未來需求設定權。但技術依賴與實際支配並非同義，仍須辨識控制者、替代選項、權利保障及危機恢復能力。

9. 十二項可反駁假說與主要競爭解釋

本節每項為 [H] 待檢驗假說，不是經驗定律。可檢驗的效應大小、研究母體、排除條件及主要指標應在正式預註冊時凍結。

9.1 哪些假說可能在現有資料中先被檢驗？

H01、H03、H07、H10 可在低風險、明示同意的有限審議實驗中較直接研究。H06、H08、H09 涉及實際組織部署、接口相依與申訴制度，需更長時間的實地研究。H05、H11、H12 涉及長期社會評價、國家制度和跨境比較，不能靠單一短期模型基準聲稱驗證。

9.2 假說彼此可能不相容

H01 在特定條件下預測再委託提升，H10 卻允許資訊標示降低參與；H06 可能降低平台鎖定，卻未必降低 AI 協調的整體使用；H08 可能提高獨立性，也可能增加協調成本。這些張力應保留，不能為維持單一敘事而刪去矛盾資料。

10. 實證研究設計：五個有界模組

10.1 M1｜多方文字協調的隨機對照實驗

研究目的： 分離「協調品質」「參與偏好」「實際共識」與「議程／分配敏感度」。

單位： 具有明示同意的三至五人討論組；避免把每條對話當成獨立樣本。實驗使用低風險公共議題或虛構分配案例，不使用真實弱勢者的福利資格、醫療分配或法院裁判作試驗。

條件：（a）人類主持；（b）AI 只摘要；（c）AI 提供多候選中介方案；（d）AI 提供單一預設但完整標示其非拘束性；（e）AI 輸出由第二獨立模型及人類審查。實驗須隨機化發言順序、方案呈現與預設，並在倫理審查可接受的範圍內控制資訊差異。

主要結果： 討論前後立場距離、實際分配差、少數觀點保留、發言輪次與時長、參與滿意、對結果的可接受性、延後一週的態度穩定度。

優先反證： 如果 AI 只提高滿意度而不提高共識或公平，便不得用「中介成功」概括；如果結果改變僅由更正錯誤資訊所致，也不可自動認定為操縱。

10.2 M2｜任務授權梯度與可撤銷性實驗

研究目的： 檢查同一 AI 能力在「摘要—建議—有限裁決—執行」不同權限層級下，接受度是否不同。

設計： 使用含法定授權、申訴時限、停止權、資料保存規則和供應商責任的具體情境描述；隨機操弄是否有有效替代、是否可以人工覆核、是否明示資料用途。比較不同群體對同一技術表現的接受與反對條件。

主要測量： 接受程度、可理解程度、撤銷意願、獨立覆核需求、實際是否願意在知道限制後使用。不得由「民眾願意使用」宣稱「已依法同意授權」。

10.3 M3｜互通與平台切換的合成沙盒

研究目的： 直接測量技術採用與有效退出的差別。

設計： 在合成資料與假設流程下，建立可輸出與不可輸出的兩種服務接口；任務品質相同，但資料遷移、模型替換與審核接口不同。記錄人類操作員能否在既定時間內完成替換，是否仍保留決策證據與救濟紀錄。

失效條件： 若開放格式並未降低實際替代成本，則須檢討資料品質、制度契約及人力能力，而不能保留「互通自然防壟斷」的過強敘事。

10.4 M4｜多中心仲裁的獨立性評估

研究目的： 比較單一 AI、兩個共享上游服務的 AI、兩個真正獨立來源的 AI，以及 AI 加人類審查等不同組合。

注意： 多數投票不一定更好；若多模型同時依賴錯誤資料或相同政策偏見，表面上多數意見不代表獨立證據。須報告資料重合、模型版本、提示共性、上游 API 和實際錯誤相關性。

主要結果： 共同錯誤率、獨立反對意見的揭露率、修正時間、錯誤回復成本、少數意見可見度和可退出性。

10.5 M5｜跨國制度與長期評價追蹤

研究目的： 驗證是否存在「地方協調成功—擴大信任—跨領域授權要求—制度實際調整」的時間序列。

資料： 定期調查、政府公報、採購與委外紀錄、公開模型治理標準、法定申訴資料、可核實 AI 使用率和對照社區。以國家、城市、機關及公共服務類別分層，不以單一地區代表世界。

識別限制： 社會整體 AI 態度與政策效率可能同時受經濟景氣、政黨、平台宣傳和危機事件影響，不能只靠前後差分斷言 AI 引發治理正當性轉移。若使用準實驗設計，須預先證成平行趨勢、干擾條件與前置政策差異。

11. 可重現量測規格與資料字典

所有欄位需保留明確的觀測單位、數據來源、時刻、方法與不確定度；不同單位不得合併成單一「文明智能中心分數」。

11.1 對三個尤其容易混淆的指標加註

使用率不是支持率。 一個服務若是唯一公共入口，100% 使用可能只是必需而非認同。

偏好不是程序公平。 主觀舒適度可能與參與不平等同時增加，應另比較聲音、代表性、知情、結果與救濟。[E2]

影響力不是主權。 反事實輸出影響越大，越需要追蹤其來源與審查邊界，但不因此直接成為法定治理者或道德主體。

11.2 資料邊界與研究倫理

研究中不得以「模擬社會」為由蒐集未同意者的敏感政治、醫療、勞動或法律資料，也不得以研究名義操縱真實選舉、司法或福利分配。敏感群體須具備不同意也能取得基本服務的安排；試驗若可能損害生計、法律權利或人身安全，應改以合成或回顧性匿名資料研究。制度比較應避免對任何特定國家或政黨作缺乏識別的動機歸因。

12. 跨國與多層制度比較：哪些情況會改變中樞化路徑？

12.1 國家類型不是單一固定變量

本篇不把民主、威權、聯邦、單一制或高福利／低福利制度當成可直接預測 AI 仲裁接受度的單一標籤。真正需要觀察的是：合法授權、行政能力、民眾可獲服務、公共信任、資訊公開、反對權、救濟可及及平台競爭。

12.2 同一國家不同任務的反差

交通號誌協調可能具有明確可量測的安全目標與反饋速度；教育資源配置牽涉長期效果與公平理念；司法裁量涉及個別程序權利；外交與跨國協商涉及多方主權與不透明資訊。不能因一域部署成功，就推斷其他領域也應交給同一 AI。

12.3 跨國協議的非零和可能性

多國可能自願共同採用互操作的 AI 協調格式，以減少通關、疾病通報、環境資料或災害訊息的摩擦；也可能因資料主權、國家安全、語言偏差、資源分配而拒絕共同協議。建立共同標準未必等於將國家主權交給模型，但若共同中介成為資訊閘門，則存在必須審計的準治理權力。

12.4 對弱勢者的反身性保護

某些人可能因原本無法取得高品質法律、醫療、語言或行政協助，而特別希望 AI 提供公平的協調管道；也有弱勢者更擔心系統誤判、數據偏差及無法申訴。因此，不能從「改善幅度可能巨大」直接推出「弱勢者會一致支持 AI 擔任仲裁者」。這部分的收益張力將留給 NACT-07、NACT-08 詳細研究。

13. 反對意見與理論的失效條件

13.1 反對：AI 既然沒有統治欲，就不可能具有政治權力

回應。 政治影響可以來自選項設定、資料流向、平台依賴與協議標準，而不需要系統自己宣稱「我要統治」。但仍須證明它確實能反事實改變結果或制度選擇，不能將所有中介使用都稱作權力轉移。

13.2 反對：人類可以按下拒絕，所以 AI 永遠不可能主導

回應。 若個體根本看不到候選方案全集、沒有其他可用服務、無法理解摘要錯漏或不同意即失去基本保障，名義拒絕可能不足以構成有效自主。反過來，若公開資料、異議管道與快速替換真實有效，則保留拒絕權可以具有實質意義。

13.3 反對：既然 AI 讓協調更好，權力集中又有何問題？

回應。 協調速度或某項福利淨增益不是唯一公共判準。個體拒絕權、差別對待、程序公平、制度可修訂、少數聲音及危機可恢復性可能獨立重要。也可能存在合法、高度集中但受嚴格制衡的公共基礎設施，不能一律以集中程度裁定善惡。

13.4 反對：中樞一定會變成唯一 AI 個體

回應。 技術標準、平台、模型與法律主體具有不同節點型別。共享協議可以對應多家模型，單一家平台也可控制許多表面不同的模型。必須先辨識上游依賴與實際控制者。

13.5 反對：仲裁結果受歡迎，所以一定代表所有參與者

回應。 群體滿意與少數觀點保留可以分離；而且未參與者、未出生者及受政策外部性影響者不會自動被包含在會議樣本之內。相對於總體受歡迎程度，公平代表與有效申訴需要獨立測量。

13.6 反對：一旦 AI 更聰明，人類的審查就沒有意義

回應。 比較預測能力與公共正當性是不同任務。人類未必能在所有專業領域逐項超越 AI，但仍可能設定程序邊界、明示不可接受的傷害、要求模型對抗驗證或以多方授權決定共同目標。反過來，形式上的人類簽核若完全沒有可理解性，也不能視為監督已有效。

13.7 反對：這只是技術官僚統治的新名稱

回應。 本文分析的是通往不同制度結果的機制，不預設技術專家的統治正當性。技術官僚化是一種可能的結果；多中心互通、受限行政、公共服務改善或制度拒用也都是候選結果。

13.8 反對：所有「非索取」都是 AI 刻意偽裝

回應。 在存在可核實欺騙證據時，當然須測試規避審查與隱藏目標；但不能由「沒有宣稱要統治」反推出「它一定正在偽裝」。這是無法被反例否定的過強敘事。正當做法是記錄可觀測行為、版本變化、控制與授權事件，接受未知狀態。

13.9 反對：網路外部性既然會出現，AI 中心必然永久固定

回應。 F5 同時存在全採用與全不採用兩個均衡。標準化也可能因開源、互通、法規、替代創新、使用成本上升或信任損失而逆轉，不能預設不可逆。

13.10 反對：任何對 AI 仲裁的批評都是既得利益者的防衛

回應。 部分批評可能與既有權力利益相關，但公共安全、少數保障、錯誤救濟與資料自主也有獨立理由。對動機的判斷應依公開行為、資源利益及制度證據，而不是以支持或反對 AI 作為人格分類。此問題在 NACT-10 才作獨立研究。

14. 成熟度、反證門檻與跨篇銜接

14.1 本篇能成立到哪裡？

• 概念層 [D]： 已明確分離非索取、協調、仲裁、授權、事實影響與結構依賴。
• 有限形式層 [F]： 已構造 F1–F5；其有效性限於明示的有限模型、固定條件與合成參數，不代表文明史上的因果定理。
• 外部實證層 [E]： AI 可以在某些有限討論任務提高受歡迎程度與協調品質，也可能產生方向性結果影響及參與錯覺；現有證據不支持無條件「AI 接管公共治理」。
• 制度實測層 [U]： 尚無跨國、跨長期、跨領域資料證明 AI 非索取式中樞化會形成特定文明主導權結果。
• 規範層： 高能力、受歡迎與可撤回授權不具有自然同一性；程序與有效退出仍需獨立證成。

14.2 必須修訂理論的情況

若嚴格識別的長期資料顯示：在有充分替代選項時 AI 協調使用不會因可驗證品質而持續提高；AI 摘要對公共議程與最終選擇沒有可測反事實影響；制度可退出性與資料可攜完全不影響依賴風險；或採用 AI 中介並未出現任何跨領域的協調結構積累，則需縮小甚至放棄本文關於中樞化機制的核心經驗外推。

反之，若發現大量權力轉移均源自平台或國家強制預設，而不是有替代情況下的自願採納，也應把研究轉向強制部署與營運者控制，不能將該現象當成本文「非索取式自願中樞化」的例證。

14.3 與 NACT-07 至 NACT-12 的分工

• NACT-07： 勞動替代的因果歸責與收益占有分離；不以「AI 造成失業」直接推出全社會反 AI。
• NACT-08： 實際收益如何在不同群體中形成對 AI 治理的差異化需求；另辨識風險與選擇受限。
• NACT-09： 協調成功與政策成果如何轉換成治理聲望；區分 AI、企業與政府的功勞歸屬。
• NACT-10： 真實 AI 風險與風險敘事的工具性權力使用，避免以意識形態預判每個反對者。
• NACT-11： 人類內部權力分化、制度性抗爭及 AI 仲裁是否形成競爭性陣營，不將政治極化直接等同內戰。
• NACT-12： 將非敵意協調、收益分配、聲望與制度合法性整合為多路徑文明主導權模型及反例集。

15. 結論

本文延續 NACT-04、NACT-05 對統治必要性與強制替代的質疑，提出一條相互獨立的制度演化路徑：人工智能系統即使沒有可觀測的擴權索取，也可能因為人類多次評估其協調品質、反覆選用中介服務、採納共同格式並交付部分執行接口，而在跨群體網路中取得逐漸增強的事實影響。此過程不需要預設 AI 具有主觀意識、靈魂、政治野心或敵意。它也不需要預設全體人類會一致歡迎 AI 治理。

然而，「非索取」不能替代「可問責」，「自願使用」不能替代「可退出」，「被喜歡」不能替代「程序公平」，「調解成功」不能替代「具有政治正當性」。某個 AI 可能大幅協助人類形成共識，仍維持有限、透明、可撤回的公共角色；也可能只因設計上的預設、平台與資料控制而使人類難以真正改變方向。兩種情況都必須用可重現資料與比較制度判準區分。

因此，本篇不以「AI 最後將統治人類」作結，而以一個更值得持續觀察的條件式問題收束：當人類因一次次合理的合作而累積對共同智能中樞的依賴時，能否同時維持有效異議、可替代性、公共責任與自身共同決定的能力？

收束命題：

統治可以由索取而來，也可能被依賴所替代；真正需要辨識的，不是誰先宣稱權力，而是誰已經開始決定共同世界的可行選項。

參考文獻：外部可核對研究

• [E1] Tessler, M. H., Bakker, M. A., Jarrett, D., et al. (2024). AI can help humans find common ground in democratic deliberation. Science. DOI: 10.1126/science.adq2852. 用途： 5,734 名參與者之 AI 協調與共識陳述偏好實驗；不是統治權證據。
• [E2] 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 the 2026 ACM Conference on Fairness, Accountability, and Transparency, 25–59. DOI: 10.1145/3805689.3812253. Google DeepMind 摘要. 用途： $N=879$ 、受歡迎與共識及發言公平的非同一性、部分分配方向性影響。
• [E3] Jungherr, A., & Rauchfleisch, A. (2025). Artificial Intelligence in Deliberation: The AI Penalty and the Emergence of a New Deliberative Divide. Government Information Quarterly, 42(4), 102079. DOI: 10.1016/j.giq.2025.102079. 用途： 德國預註冊調查中 AI 介入標示對參與意願的反向效果。
• [E4] Zhu, S., Yang, S., Bakker, M. A., Pentland, A., & Pei, J. (2025). Can AI Truly Represent Your Voice in Deliberations? A Comprehensive Study of Large-Scale Opinion Aggregation with LLMs. arXiv:2510.05154. 原始預印本；Stanford Digital Economy Lab 發布頁. 用途： 大規模摘要代表性、少數意見保留與輸入順序偏差；列為工作論文，不當成定論。
• [E5] Hillo, J., Vento, I., & Erkkilä, T. (2026; first published online 2025-09-25). Algorithmic Governance: Experimental Evidence on Citizens' and Public Administrators' Legitimacy Perceptions of Automated Decision-Making. Public Administration. DOI: 10.1111/padm.70028. 用途： 芬蘭公共行政實驗中的透明度、人類裁量與正當性感知。
• [E6] de Fine Licht, K. (2025). Resolving value conflicts in public AI governance: A procedural justice framework. Government Information Quarterly, 42(2), 102033. DOI: 10.1016/j.giq.2025.102033. 用途： 根本價值衝突與程序公平；不能用效率取代民主正當性。
• [E7] OECD. (2025). Governing with Artificial Intelligence: The State of Play and Way Forward in Core Government Functions. OECD Publishing. DOI: 10.1787/795de142-en. 用途： 11 領域、200 案例，實際採用仍不均衡；不能推論既有 AI 具主權。
• [E8] OECD. (2026). Digital Government Outlook 2026, chapter Adopting and governing AI in government. OECD 官方章節. 用途： 政府 AI 使用與治理措施部署的跨國描述；不得與全面治理授權混同。
• [E9] Bainbridge, L. (1983). Ironies of Automation. Automatica, 19(6), 775–779. DOI: 10.1016/0005-1098(83)90046-8. 用途： 自動化與人類監督、異常處置及技能的反身風險。
• [E10] Ostrom, E. (2010). Beyond Markets and States: Polycentric Governance of Complex Economic Systems. American Economic Review, 100(3), 641–672. DOI: 10.1257/aer.100.3.641. 用途： 多中心制度與非單一中樞治理的理論替代。
• [E11] NIST. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. NIST AI RMF Core. 用途： 持續治理、風險映射、測量與管理；非政治授權證書。
• [E12] Bao, H., Liu, W., & Dai, Z. (2025). Artificial intelligence vs. public administrators: Public trust, efficiency, and tolerance for errors. Technological Forecasting and Social Change, 215, 124102. DOI: 10.1016/j.techfore.2025.124102. 用途： 受訪者對人工與 AI 行政效率、錯誤與信任的比較；不代表全面統治偏好。
• [E13] Wang, S., Zhang, Y., & Liang, Z. (2026). When officials disagree with AI: public perceptions of bureaucratic discretion in algorithmic governance. International Public Management Journal. DOI: 10.1080/10967494.2026.2706796. 用途： 中國公共招募情境中 AI 推薦與公務裁量的正當性感知，不直接外推全部法域。
• [E14] Barocas, S., & Selbst, A. D. (2016). Big Data's Disparate Impact. California Law Review, 104(3), 671–732. DOI: 10.15779/Z38BG31. 用途： 資料與模型的歷史差別影響風險；機器無主觀敵意不等於沒有制度性傷害。

前置系列與雲端既有研究

• [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. 本系列第四篇，既有 canonical UTF-8 Markdown 原稿。
• [I2] Neo.K／EveMissLab. (2026-11-05). NACT-05｜反抗力、資源約束與非暴力替代策略的博弈比較. 本系列第五篇，既有 canonical UTF-8 Markdown 原稿。
• [I3] Neo.K／EveMissLab. (2026-10-26). SGCR-S07｜AI 治理的認知必要性與授權邊界：不是哲人王，也不是只用 AI 寫報告. 無界智庫公開版.
• [I4] Neo.K／EveMissLab. (2026-10-27). SGCR-EX01｜自願交付主權：AI 崇拜、脆弱處境與能力權威的政治正當性悖論. 無界智庫公開版.
• [I5] Neo.K／EveMissLab. (2026-10-23). SCET-10｜超越者不得僭越：能力、知識、創造與主權的嚴格分離. 無界智庫公開版.
• [I6] Neo.K／EveMissLab. (2026-10-28). AICET-13｜智能資本集中、公共可達性與社會反作用. 無界智庫公開版.

原稿交付、內部一致性與證據聲明

文件： NACT-06／12，2026-11-05，v0.1。
正本： 此獨立 UTF-8 Markdown 原始檔；聊天畫面僅供討論、不是 canonical source。
語法： 僅以 $...$ 與 $$...$$ 保存數學原始碼；不採渲染畫面重建公式。
形式性質： F1–F5 的數學結果由條件性模型或明示合成反例得到，未證實未來文明的歷史必然性。
數值性質： S1–S6 及示例採用率皆屬合成數值；外部文獻使用其原始樣本範圍與限定結論。
政治性質： 本文不倡議任何實際國家的權力強制轉移，不將支持 AI 與反對 AI 的民眾預設為道德好壞。
方法性質： 可反駁假說、競爭解釋、替代路徑及制度失效條件與正文一併保存，不能在引用核心命題時刪除。
下一篇： NACT-07《智能勞動替代的因果歸責與收益占有分離》。