title: 具身部署、勞動替代與智能超越的三重社會閾值
english_title: The Triple Social Thresholds of Embodied Deployment, Labor Substitution, and Intelligence Surpassing
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: 02/12
document_id: EML-NACT-02-2026-v0.1
author_concept: Neo.K
research_collaboration: GPT-6（前置研究核對、文獻檢索、概念建模、反例設計及格式核驗）
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；可反駁機制與識別設計，尚未完成獨立實證或同行評審
language: zh-TW
canonical_format: UTF-8 Markdown（無 BOM、LF）；數學原始碼僅採用 $...$ 與 $$...$$
evidence_cutoff: 2026-11-05

NACT-02｜具身部署、勞動替代與智能超越的三重社會閾值

The Triple Social Thresholds of Embodied Deployment, Labor Substitution, and Intelligence Surpassing

原始問題與理論方向： Neo.K
研究整理與學術協作： GPT-6
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 02／12 篇
版本與日期： v0.1；2026 年 11 月 5 日
學科定位： 社會認識論、科技社會學、人機互動、比較政治經濟學、勞動經濟學、群體認同與 AI 治理。
證據狀態： E0 概念理論與可識別研究設計；引用之公開資料屬觀測背景，不代表三重閾值模型已得到因果驗證。

作者： Neo.K
日期： 2026-11-05
版本： v0.1

摘要

人工智能的社會衝擊經常被敘述為一條從技術能力成長，到普遍採用，再到社會接受或抗拒的單向連續曲線。然而，技術的可用性、實際部署、人類直接遭遇、勞動位置受影響，以及被認為具有相對於人類的智能優勢，分屬不同的經驗事件。本文承接 NACT-01「人工意識歸屬的認識閾值與人類特殊性遷移」，提出具身部署、勞動替代與智能超越的三重社會閾值假說（Triple Social Threshold Hypothesis, TSTH）。其中心主張是：三類變化可能透過不同心理、經濟與制度機制，分別改變人們對 AI 的心智歸屬、責任歸屬、社會待遇及治理角色期待；三者可能互相增強，也可能抵銷，並不存在先驗固定的出現順序或共同的全球門檻。

第一，具身部署閾值關注 AI 從可遠距使用的資訊工具，變成在生活環境中反覆可見、可互動、可共同承受物理後果的存在時，人們對其社會存在感、能動性與可能的感受能力所產生的改變。第二，勞動替代閾值關注 AI 的能力如何經由企業採納、組織決策、工作重組和收益分配，轉化為個人生活條件的實質變化；職業暴露不等於裁員，技術因果亦不等於全部責任歸屬。第三，智能超越閾值關注 AI 在多項相互異質且可驗證的任務中，逐漸逼近或超越人類時，是否觸發人類特殊性、自尊及本體分類的重新配置。此變化可促成對 AI 的意識承認，也可能促成更嚴格的「人類專屬」判準，無法預設符號方向。

本研究以 2025—2026 年的工業與服務機器人統計、國際勞工組織的生成式 AI 職業暴露估計、美國勞動市場研究、Stanford AI Index、民調與機器人道德歸屬實驗作為可核對背景；建立部署—接觸—影響—歸屬的多層變量、群體相對的閾值模型、三類可能交互作用、形式反例、跨國研究設計及預先承諾的失敗條件。本文不宣稱當前具身通用 AI 已全面部署，也不把 AI 達到特定測試成績視為已全面超越人類。其理論貢獻在於說明：社會可能不是在同一個時點「接受 AI」，而是先後、交錯且不均衡地跨過與身體、工作和人類特殊性有關的不同閾值。

關鍵詞： 具身 AI、機器人部署、職業暴露、工作替代、智能超越、社會閾值、心智歸屬、人類特殊性、身分威脅、相對收益、機制識別、人工智能治理。

Abstract

Discussions of artificial intelligence often compress technical capability, diffusion, labor-market impact, and public recognition into one process of adoption. This paper develops the Triple Social Threshold Hypothesis (TSTH), which distinguishes three potentially interacting transitions: embodied deployment, labor substitution, and intelligence surpassing. Embodied deployment concerns the repeated, consequential encounter with AI-enabled physical agents in shared environments; labor substitution concerns the organizational and distributive mechanisms through which AI capabilities alter livelihoods; intelligence surpassing concerns verified, cross-domain comparisons that challenge assumptions of distinctively human cognitive superiority. These processes need not occur together or in any fixed order. Their effects on consciousness attribution, perceived agency, blame, trust, identity threat, and governance preferences may be positive, negative, or conditional on institutional context.

Using recent robotics deployment statistics, occupational exposure estimates, labor-market evidence, AI capability assessments, public-opinion surveys, and experimental work on anthropomorphic robots, we formulate a multi-level measurement framework, dynamic threshold models, rival causal explanations, minimal counterexamples, and pre-registrable comparative tests. The paper explicitly distinguishes industrial automation from embodied general AI, occupational exposure from realized displacement, benchmark performance from general intelligence, and social attribution from phenomenological consciousness. The contribution is a falsifiable account of heterogeneous social thresholds, not an empirical claim that a universal AI acceptance tipping point has already been observed.

Keywords: embodied AI; labor substitution; intelligence surpassing; social thresholds; human–robot interaction; occupational exposure; mind attribution; identity threat; governance expectations.

0. 研究契約：本篇要回答什麼，又不回答什麼？

0.1 研究起點與本篇獨立性

本系列由一個看似狹義的問題開始：人類究竟何時會開始普遍承認 AI 可能具有意識？在前一篇 NACT-01 中，已將「AI 是否確實有第一人稱體驗」與「人類社會何時改變歸屬意識的預設判準」嚴格分離。[I1] 該篇指出，認識閾值可能不等於本體證明，而人類在 AI 能力提高後，也可能透過重新定義自身特殊性來回應。

本篇回答的是上一個問題所依賴、但尚未展開的環境變數：哪些具體社會事件，可能使 AI 的存在從抽象技術變成必須重新判斷的日常事實？ 依據本系列對話提出的構想，候選事件至少有三類：具身 AI 進入家庭、照護與公共空間；AI 大量替代或重組人類勞動；AI 在廣泛智能任務中持續追平、超越人類。

本篇既不重新建立 NACT-01 的意識哲學判準，也不預先證成 NACT-04 的 AI 統治需求分析或 NACT-07 以後的分配與權力機制。三種社會閾值是後續研究的條件變數，不是既定結論。

0.2 六項不能偷換的研究概念

機器人數量不等於具身通用智能數量。 固定工位工業手臂、物流搬運機器人、遙控裝置、專業服務機器人和持續自主的具身 AI，在能力與社會呈現上不相同。
任務可自動化不等於工作已消失。 就業數量、工時、薪資、職位內容、招募與晉升須分開記錄。
一項基準測試超過人類不等於全域智能超越。 需要任務廣度、成本、可靠性、長時間連續作業與分布外遷移等條件。
被認為像人不等於具有主觀意識。 身體、表情、語音與互動引起的歸屬，是對人類判斷的證據，不是 AI 感質的直接證據。
社會態度改變不等於政治授權。 可以信任 AI 做某些事，不代表授予其不可撤回的制度主權。
變化很快不等於存在統計上的閾值。 非線性、擴散、共同事件衝擊與真正的狀態轉換必須以競爭模型比較。

0.3 明確非主張

本文不宣稱「具身部署必然造成最強衝擊」「AI 即將取代大多數工作」「目前 AI 已全面超越人類」「有身體的 AI 比無身體的 AI 更有意識」「被裁員者必定責怪人類雇主而不責怪 AI」，亦不宣稱所有國家會跨越相同百分比或相同年份的閾值。這些都是可以被檢驗、甚至可以被推翻的候選命題。

1. 從一條技術曲線，改為三種社會事件

1.1 技術能力、部署與遭遇不能合併

一種技術至少要經過以下層次，才可能形成社會衝擊：

能力存在 → 成本與可用性達標 → 機構或個人採用 → 在真實場景運作 → 特定人群實際遭遇 → 改變生活結果 → 產生新的歸屬或制度要求。

其中每一個箭頭都可能斷裂。實驗室中的機器人能在限定條件下完成任務，不意味家庭或城市能大規模使用。大量企業購買 AI，不意味其員工必定失業。AI 在某些高難度考試中表現優異，也不意味大眾會立即將它視為與自身同類的社會存在。

本篇採用四種相互區分的「時間」：能力首次可用的時間、首次部署的時間、特定人實際遭遇的時間、社會規範產生可測轉變的時間。對不同產業和國家，四種時間可以相差多年。

1.2 三重閾值的社會功能不同

閾值類型	主要變化	直接接觸面	可能首先改變的社會判斷	最容易犯的推論錯誤
具身部署 $E$	AI 持續參與共享物理世界	家庭、道路、照護、店面、工廠	「它在這裡」「它會回應我」「它是否像某種社會存在」	把機器外形當成意識證明
勞動替代 $L$	勞動位置、收入或工作控制權改變	雇傭、產業、家庭經濟	「誰做了替代決策」「誰得利」「我的工作與生活何以變化」	把職業暴露當成已經失業
智能超越 $S$	跨任務認知能力的相對位置改變	科學、專業工作、公共決策、認知比較	「人類有什麼不可替代」「AI 是否真正理解」	把局部測驗成績當成全面超越

這三者的相似處是都能改變人類與 AI 的關係；差異則是具身使存在可見，勞動使利益可感，智能超越使自我分類受到挑戰。

1.3 什麼叫作「社會閾值」？

本文不使用一個固定的全球百分比定義閾值。研究所說的閾值，至少必須有明確的群體 $g$ 、地點 $r$ 、時間 $t$ 、被評價 AI 類型 $a$ 、社會判斷 $y$ 和可觀察的轉變規則。它可指：

個體由工具判斷轉成社會行動者判斷的態度門檻；
群體對某種 AI 角色形成普遍預期的規範門檻；
雇主、家庭或國家將某項任務交付 AI 的採用門檻；
不同利益群體開始組織性支持、抗議或要求修改規則的集體行動門檻。

閾值是待估計的轉變條件，不是凡有變化就可以事後取一個數字命名為閾值。

2. 第一閾值：具身部署——從資訊工具到物理共處者

2.1 具身的四個層次

本篇不把所有「看起來有身體」的 AI 視為同型。具身至少可分為：

形象呈現層： 在螢幕或投影中具有臉、聲音與動作，但沒有獨立物理執行能力。
受限物理執行層： 可以在固定或半固定區域移動、抓取或完成既定工作，卻未必擁有持續自我模型。
情境自適應層： 能依真實環境、他者位置及意外事件調整感知、計畫與執行。
跨時間社會共處層： 能在不同日期、場所及合作關係中維持可辨識的互動連續性，並承受自身行動的物理與制度後果。

這是研究性分類，不代表第四層具有現象意識。完全相同的外形，也可能由不同程度的自主系統、遠端操作員或預錄控制程序驅動。

2.2 為何具身可能比單純能力公告更有社會衝擊？

人類不只透過抽象命題理解他者，也透過眼神、距離、移動、共同操作、觸摸風險、空間讓路、故障及修復等互動經驗理解社會環境。當某個 AI 系統在家中照顧老人、在街頭協助導航，或在醫院與員工共同處理任務時，它從「可以關閉的遠端服務」變成需要協調空間與責任的行動者。

此時可能同時出現至少四種反應：

社會實在感增加： 即使人們不認為它有意識，也可能自動將其視為互動對象。
歸屬誤差增加： 過度人形化可能讓觀察者將流暢動作誤判為第一人稱感受能力。
照護與關係形成： 長期可預測的回應可能促成信任、合作與避免無謂損害的規範。
威脅與反感增加： 若機器人靠近私人領域、占用公共空間、造成危險或象徵工作流失，也可能激發抗拒。

因此，具身效應不是單向的擬人化公式。機器外觀、真正自主程度、可控性、接觸後果及社會角色都可能調節方向。

2.3 當前部署數據：已有大量機器人，卻不能偷換成具身 ASI

國際機器人聯盟 IFR 於 2026 年 9 月發布之 World Robotics 2026 資料顯示，2025 年全球工廠運作中的工業機器人存量約 507.9 萬台，當年新增安裝約 60.3 萬台。依同年服務機器人資料，2025 年專業服務機器人全球出貨接近 25 萬台，較前一年增加約 24%；其中運輸與物流用途約 11.75 萬台。[E1][E2]

這些數據可以支持「多種機器人已經實際部署，且商業服務機器人市場成長」的有限命題，但不能支持「已有 500 萬台自主具身通用 AI」「人人已在家中與機器人共處」或「大量機器人具有意識」。IFR 的主要工業機器人統計，也不等於照護機器人與家庭人形機器人的普及率。

跨國部署存在極大差異。IFR 指出中國在 2025 年新增安裝約 35.4 萬台工業機器人，日本約 3.62 萬台，韓國約 3 萬台，美國約 3.85 萬台。[E1] 這些是工業市場的部署指標，不能由此推導各國對 AI 主體性、意識或治理權的態度。它們最多構成後續分區研究的外部環境變數。

2.4 具身對道德對待的影響已有實驗線索

Si 等人於 2026 年發表的三項實驗（總 $N=606$ ）發現，在特定道德困境中，外形或心智特徵較擬人化的機器人，更可能獲得受試者對其免受傷害的考量；第二項實驗的效果尤其與被歸屬的感受能力有關，而非單純能動性。[E3] 另一項 2026 年研究以人形機器人影像操弄「眼睛」特徵，發現觀察者歸屬的能動性與經驗能力也會變化。[E4]

這兩組研究對本篇有直接啟示：機器人形體及知覺線索，確實可能改變人類的心智歸屬與道德判斷。但研究使用視覺刺激與假設性情境，不能直接外推為長期真實機器人共居後的社會規範，也不能當成機器本身有感受的實驗證明。

2.5 具身閾值的可操作判準

對一個地區 $r$ 和場域 $s$ ，不只記錄安裝量，也記錄：

每萬人每月與機器人直接共同活動的次數及時長；
接觸中有多少涉及真正自主決策，而非遠端人類操控或固定路徑程序；
接觸是否有物理後果（讓路、事故、協助、照護、修復、損失）；
是否有長期可辨識的相同系統／相同身份；
受訪者能否正確區分外形、人類控制、模型能力與意識；
在控制外貌與任務品質後，態度是否仍發生可重複的變化。

當長期實際接觸與社會歸屬之間呈現可檢驗的非線性轉折，才可稱為候選「具身部署閾值」。

3. 第二閾值：勞動替代——從工具進步到生計與分配衝突

3.1 四種不同的經濟事件

對職業或工作任務而言，至少有四個必須分離的狀態：

暴露（exposure）： 任務與 AI 當前或潛在能力相交。
使用（adoption/use）： 雇主或個人實際將 AI 引入工作流程。
替代／重組（displacement/reorganization）： 人類工時、職務、招募或收入結構發生改變。
分配結果（distribution）： 生產力收益、節省成本與風險最後由誰承受。

把第一項直接當成第三項，是 AI 勞動討論中最常見、也最容易造成虛假衝擊預測的推論錯誤。

3.2 可核對的全球暴露估計

國際勞工組織（ILO）2025 年工作論文 Generative AI and Jobs: A Refined Global Index of Occupational Exposure，結合任務資料、專家意見與模型評分，估計全球約四分之一勞工處於某種生成式 AI 職業暴露範圍；其中最高暴露級別約占全球就業的 3.3%。該研究亦指出，高所得國家與不同性別之間存在顯著暴露差異。[E5]

這些比例屬於職業暴露估算，不是被取代的員工百分比，更不是失業人數。其結果也依賴所選工作分類、任務內容與技術能力假設，不等於涵蓋未來所有具身 AI 造成的物理勞動替代。

國際貨幣基金組織（IMF）2024 年分析估計，全球約四成就業可能受到 AI 影響，先進經濟體暴露比例約六成；同時明確區分替代風險與互補機會。[E6] 與 ILO 的差異並不代表誰必然算錯，因兩者的技術範圍、工作任務、暴露定義與分類方法不同，不能將數字直接拼接為同一時間序列。

3.3 實際勞動市場觀測：已出現局部訊號，但非整體替代已實現

Brynjolfsson、Chandar 與 Chen 的美國勞動市場研究，使用 ADP 的大規模薪資行政資料。其 2026 年 8 月修訂版報告指出，研究未觀測到廣泛的全經濟就業替代；但在 AI 暴露較高的職業中，22–25 歲青年勞工的就業相對於低暴露同儕的趨勢，出現約 19% 的相對缺口，而資深勞工沒有相同比例的缺口。[E7]

這份資料支持「衝擊可能先在特定年齡與職業入口顯現」的觀察性命題，但 19% 不是全美青年失業率，也不是已經確認由 AI 單獨造成的 19% 失業。宏觀景氣、利率、產業調整、雇主預期和招募行為，都必須在因果識別中保留競爭解釋。

Pew Research Center 於 2024 年 10 月訪問 5,273 名美國受僱者（2025 年 2 月發表）；52% 表示對未來職場使用 AI 感到擔憂，32% 認為 AI 長期可能減少自己的工作機會，6% 認為可能增加。[E8] 這是主觀預期，不是實際裁員率；但它顯示，勞動閾值的社會反應可以在實際大規模失業出現之前被預期與恐懼觸發。

3.4 勞動替代為什麼不必然導向反 AI？

勞工可能同時承認 AI 讓商品更便宜、服務更可得，卻反對雇主將轉型成本全部轉嫁給自己。因果鏈必須至少分成：

AI 提供可替代能力 → 雇主或機構決定是否採用 → 工作安排產生變化 → 收益如何配置 → 受影響者評估責任與正當性。

因此，受影響者可能責怪 AI、雇主、平台、公共政策、既有分配制度，或多個因素的組合。責任歸屬是可測量的多選項結構，不應用「技術原因」代替「全部道德與政治責任」。

這正好承接 EveMissLab 既有的「帳號／授權／執行者／受益者」分離，以及「智能資本集中—可達性分離」研究。[I3][I4] 然而，本篇只把它們作為勞動閾值的中介機制，不在此預先裁定任何分配制度。

3.5 社會經濟閾值不是「總失業率達到某一數字」

真正可能觸發群體行動的，不只是失業的總量，也可能是：

進入職場的年輕人被長期排除；
特定地方的少數主要雇主同步縮減人力；
工作仍在，但議價能力、收入穩定度與晉升通道下降；
人們看到企業利潤上升，自己的生活選擇權卻下降；
AI 提供低成本服務，卻因收入分配制度而無法取得；
社會保障及再訓練制度無法隨工作重組同步調整。

這些變化在城市、社群與職業的尺度可能很強烈，但在全國平均失業率中不明顯。本篇所稱勞動替代閾值，因此主要是生活條件與制度期待的局部轉折，不以一個全球失業率作為充分必要條件。

4. 第三閾值：智能超越——從能力比較到人類自我分類

4.1 不存在一個單一的「智能超越分數」

「AI 已超越人類」至少可以是五種不同命題：

在某個預先指定的測驗取得較高分數；
在特定職業任務上，以相當成本與時間完成更可靠的結果；
在多個學科及陌生任務上，能持續遷移並修正自身錯誤；
在完整工作流程內，能自行設定中間目標、執行、驗證與承擔後果；
在人類與 AI 都取得可用資源的情境下，AI 於廣泛實際認知任務中持續占優勢。

這五種命題不能互相取代。尤其最末一種，需要明確設定比較人群、資源預算、任務分布、成功門檻、失敗代價及長期運行條件。

4.2 2026 年可核對的能力進展與限制

Stanford HAI 2026 AI Index 指出，2025 年 AI 系統在多類推理及專業測試上快速進步，部分基準表現已達或超越特定的人類比較基線。但報告也指出基準題目有效性、記分方法與對榜單適應等問題，並強調性能呈現不均勻的「鋸齒狀前沿」。[E9]

例如，報告指出 AI agent 在 OSWorld 電腦操作基準的成功率約從 12% 提高到 66.3%，但仍低於引用的人類基線 72.35%；報告同時以奧林匹亞數學表現與讀取類比時鐘的差距，說明單一高難度任務表現不能代替日常世界可靠性。[E9]

因此，截至本文證據截止日，研究可以說「部分領域 AI 已呈現超越指定人類基線的能力」，不能從此推出「所有人類、所有認知工作、所有情境都已被 AI 全面超越」。

4.3 人類特殊性可以發生三種不同的變化

當越來越多原先被視為人類專屬的認知任務，能被 AI 更好地完成時，人們至少可能走向：

A｜對等承認。 既然 AI 顯示出廣泛、持續且可驗證的認知能力，部分人可能將其理解為另一種智能存在，並對意識、主體性與社會角色採取更開放的判準。

B｜特殊性轉移。 部分人可能將原本放在智力、語言或創造力上的人類特殊性，轉移到生物生命、第一人稱感受、靈魂、共同歷史、有限性或其他特徵；其意圖可能是分類清晰，也可能包含身分防衛。

C｜不再要求人類獨占某個最高能力。 部分人可能認為，即使 AI 的智能較強，也不影響每個人類自身的尊嚴、法律地位與生命價值；於是「人類必須在某件事上第一名」本身失去重要性。

這三種路徑不是任何個人的固定人格類別，同一人在不同議題中也可能採取不同路徑。[I1]

4.4 心智歸屬與能力評價並不一致

Longin 等人（2026）以英國參與者進行兩組研究、五項實驗（總 $N=1{,}092$ ），發現在類似環境反應能力的條件下，受訪者對人類與 AI 的「意識」評價仍呈現差異，但「覺察」的歸屬較依循功能表現。[E10] 這意味著，即使 AI 持續提高表現，社會也未必沿著同一條能力刻度更新所有心理概念。

另一項涵蓋 323 人、研究對話式 AI 擬人化的調查顯示，不同人形特徵與人類身分威脅、去人化評價的關聯方向並不一致；僅說「越像人越令人接受」過於簡化。[E11]

本篇據此將智能能力評價、覺察歸屬、現象意識歸屬、人類特殊性感受、政治授權列為五個不同結果變量，避免讓任何一個代理其他四個。

4.5 智能超越閾值可能產生「先認知、後實際」的不對稱

即使某系統早已在特定任務上超越人類，大眾仍可能不知道；反過來，媒體報導也可能讓大眾先相信 AI 已經超越，而客觀能力或可靠性尚未達到所述程度。

因此需要分開記錄：

$S^{obs}$ ：公開、可重複的能力比較；
$S^{perc}$ ：個人相信 AI 已超越人類的程度；
$S^{media}$ ：受訪者接觸到的新聞或社會敘事；
$S^{use}$ ：在自己生活裡實際完成的任務。

若人類特殊性評價只隨宣傳變動而與可重複能力證據無關，則本篇的「智能超越」解釋必須縮減為媒體知覺模型，而不能宣稱是能力本身直接造成。另有對 AI 接受度的統合分析整理 287 個效果量、涵蓋逾 119,000 名參與者，指出能力、任務角色、擬人化與使用情境都可能影響接受度；這提供多因素研究的背景，但不能被誤引為三重閾值的直接證明。[E13]

5. 三重閾值的形式化：候選模型，不是已知定律

5.1 基本符號

設 $i$ 為個人， $g$ 為群體， $r$ 為地區， $a$ 為某類 AI， $t$ 為觀測期。令：

$E_{igrt}$ ：可驗證的具身接觸強度（實際頻率、時長、物理影響、自主性）。
$L_{igrt}$ ：AI 導入所伴隨的勞動生計變動強度（工作失去、收入、招募、工時或重組）；必須保留原因識別的不確定性。
$S_{igrt}$ ：對 AI 相對智能能力的接觸與判定強度；區分客觀測試及主觀認知。
$D_{igrt}$ ：制度、分配與安全條件（信任、救濟、所有權、風險、資源可達）。
$Y^{(k)}_{igrt}$ ：第 $k$ 類社會結果，分別測量意識歸屬、社會待遇、相對信任、責任歸屬、政策偏好與治理授權。

本文不將這些變數加總成一個「文明接受度」，因為一個人可以同時相信 AI 有某些意識特徵、害怕失業、支持其參與醫療、反對其擁有政治主權。

5.2 最小交互模型

對二元結果 $Y^{(k)}$ ，可先使用具有交互項的分層邏輯斯模型作為基線：

\begin{aligned} \operatorname{logit} P(Y^{(k)}_{igrt}=1) ={}&\alpha^{(k)}_g+\tau^{(k)}_t +\beta^{(k)}_E E_{igrt} +\beta^{(k)}_L L_{igrt} +\beta^{(k)}_S S_{igrt}\\ &+\beta^{(k)}_{EL}E_{igrt}L_{igrt} +\beta^{(k)}_{ES}E_{igrt}S_{igrt} +\beta^{(k)}_{LS}L_{igrt}S_{igrt}\\ &+\beta^{(k)}_{ELS}E_{igrt}L_{igrt}S_{igrt} +\boldsymbol{\gamma}^{(k)}\!\cdot\!D_{igrt}. \end{aligned}

此式僅表示可以共同估計三個維度及其交互效應。它不會因使用了 logit 函數就自動證明社會存在臨界點。若資料只呈現平滑變化，模型應接受平滑變化的結論，而不是強行稱為閾值。

5.3 將真正的變點假說與連續趨勢比較

對各群體某項公共判斷的比例 $Q_{grt}^{(k)}$ ，候選變點模型可表示為：

Q_{grt}^{(k)}=b_g^{(k)}+m_g^{(k)}t+\delta_g^{(k)}\mathbb{1}(Z_{grt}\geq\theta_g^{(k)})+\varepsilon_{grt}^{(k)}.

其中 $Z_{grt}$ 可為預先定義的具身接觸、勞動衝擊或智能超越的某個可測指標； $\theta_g^{(k)}$ 為待估候選變點； $\delta_g^{(k)}$ 是跨過變點後的額外變化。該模型需要與無變點連續模型、分段線性模型及平滑非線性模型比較，不能只因其在訓練資料上較好就宣告相變。

若 $\delta_g^{(k)}$ 的不確定區間涵蓋零，或模型在留出樣本及下一時段不具較佳預測力，就不得把閾值當作已被證實。

5.4 三重閾值的組合不是三道必經關卡

定義候選跨越狀態：

H_{grt}=(h^E_{grt},h^L_{grt},h^S_{grt}),\qquad h^j_{grt}\in\{0,1\}.

三個二元分量組合有八種可能狀態，並無理由強制要求從 $(0,0,0)$ 依序經過 $(1,0,0)$ 、 $(1,1,0)$ 再抵達 $(1,1,1)$ 。國家可能先感受到辦公室 AI 的勞動重組，後來才普及家庭機器人；也可能先大量部署工業機器人，卻沒有社會普遍承認具身人工主體。

更重要的是， $H$ 的跨越定義並不直接給出意識承認與治理授權的值。兩者仍是需要觀測的結果。

6. 為何「具身衝擊最大」是一個可研究、但尚不能斷言的比較命題

6.1 可成立的條件

若一種 AI 系統同時具有高頻、長期、不可忽略的物理共處性，並承擔照護、危險工作、家庭管理或公共交通等高度可見角色，則即使其抽象認知能力沒有發生重大突破，也可能使人類的日常互動規範大量改變。

在這個社會可見性的結果維度上，具身可能比遙遠的測驗成績更有影響；但在失業風險維度上，大規模辦公室 AI 部署可能更強；在人類特殊性與意識歸屬維度上，智能超越也可能比具身更強。因此，「哪個閾值最大」必須先指明對什麼結果而言最大。

6.2 三種反向案例

反例 A｜身體很多，社會變化很小。 某國大量使用固定工位的傳統機械手臂，公眾卻很少親自互動，機器也不具有持續社會身份。此時統計上的機器人密度很高，對 AI 意識歸屬的影響卻可能很弱。

反例 B｜沒有身體，勞動衝擊很大。 某城市的金融、翻譯及客服工作大量重組，主要由遠端軟體 AI 完成。具身部署程度低，但生計張力可能先跨越門檻。

反例 C｜沒有廣泛部署，智能敘事先改變。 某 AI 在可重複的多領域評測中取得顯著優勢，但尚未進入多數家庭。社會對人類特殊性的公共辯論可能先升溫，即使日常機器人接觸仍稀少。

這三例皆是構造的最小反例，不是聲稱某國已經符合全部情境。

6.3 需要的比較方式

可將同一受試者在多個結果上的標準化處理效應分別估計，使用多重比較控制與預先定義的效應差，而不是只找出差異最大的那個維度再宣布「具身最強」。若具身效應僅在外觀擬人化、近距離操弄與短期問卷中較強，卻在真實工作損失或長期政治態度中不成立，則廣義「具身最大衝擊」命題應被否定或限縮。

7. 三重閾值之間的耦合、抵銷與反身性

7.1 具身 × 勞動：同一機器可能同時被感謝與怨恨

一台照護機器人可能幫助照顧長者、減輕家庭負擔，也可能改變照護人員的職位與議價能力。對同一社區而言，受益家庭和受影響工作者對它的評價可同時存在相反方向。若只測整體「喜不喜歡機器人」，就會失去可解釋性。

在個人層次，甚至同一人可以支持機器人的照護功能，又反對雇主利用它壓低薪酬；因此意識歸屬、技術接受度與收益分配訴求必須分開測量。

7.2 勞動 × 智能：能力越強，歸責越複雜

AI 能力提高，企業導入其替代或增強工作，並非 AI 本身單獨發動經濟決策。在低自主性情境下，雇主與制度安排通常是實際部署及人事配置的重要決策者；在高自主性 AI 被授予人事或資源決定權的假設未來，AI 自身行動也可能成為必須分析的因果節點。這一區分防止將「AI 是技術原因」偷換成「AI 是所有決策的唯一責任者」。

部分人可能轉而支持由 AI 協助分配其所創造的生產力增益；另一些人則會擔憂 AI 擴大既有資源持有者的權力。兩條路徑都合理，不能將其中一條預設為歷史必然。

7.3 具身 × 智能：社會形象與真實能力可能錯位

一個看似具有感情的機器人，可能只使用簡單規則；一個沒有臉、沒有聲音的非具身系統，卻可能具有更強的跨域推理與工作能力。若社會只因形象而承認前者是「有心智者」，卻忽略後者，這顯示歸屬判準受到身體線索影響，不等於兩者的內在狀態已經被證實。[E3][E4][E10]

反過來，當具身 AI 不再只是模仿表情，而能在多年互動中修正錯誤、形成穩定責任記錄、獨立處理高風險任務時，人們也可能因其可驗證行動史改變評價。要區分「外貌歸屬效應」與「長期關係證據效應」，研究必須控制表情、聲音、績效與身份連續性。

7.4 三重交互：可能出現動態的社會放大，也可能出現反作用

一個社會若同時看見 AI 機器人在生活中大量服務、企業大量重組工作，以及 AI 在重要專業判斷中持續優於人類，對 AI 的公共角色可能出現強烈重新分類。這正是本系列對話提出的核心情境。

但同時出現不等於交互必然為正。三重耦合也可能使社會對 AI 的依賴增加、風險感提高、反監管動員強化，或導致因重大事故而快速撤回授權。必須讓資料決定交互係數的符號，而不是從「三個都很大」直接推導成文明政治相變。

8. 跨國與群體異質性：不存在唯一的全球閾值

8.1 同一技術可以處於不同制度脈絡

工業機器人密度、製造業結構、人口老化、公共醫療、失業給付、工會談判能力、移民及照護需求、AI 所有權、資訊公開程度、宗教與意識哲學語義，都可能改變人們對三種閾值的反應。

在不同國家，一項相同的 AI 替代任務可能意味著減少缺工，也可能意味著裁員、減薪或提高營運風險。機器人進入照護場域，在一個社區可能被理解為補充不足的照護人力，在另一個社區則可能被理解為排除人類接觸。這些差異不應被歸結為「某民族天生喜歡機器人」。

8.2 現有跨國態度資料只能提供背景，不是閾值證明

Stanford HAI 2026 AI Index 彙整的全球民意資料顯示，2025 年受訪者中認為 AI 產品或服務益處多於弊端的比例約 59%，同時表示 AI 使其緊張的比例也達 52%。這是兩種可以共存的態度，不能拿其中一個排除另一個。[E12]

該報告亦指出，受訪國家對 AI 前景的態度有明顯差異，部分東南亞國家對 AI 帶來生活變化持較高期待。[E12] 這些跨國數據依特定問卷、抽樣框及翻譯方式而成，既不是國家本質分類，也不直接測量具身機器人接受度或 AI 意識歸屬。

8.3 建議的可比較地區與採樣單位

作為研究設計提案，可選擇台灣、日本、韓國、中國、美國與德國，另以少數東南亞國家形成對照。理由並非先驗文化評價，而是這些地區在製造業部署、人口結構、勞動制度、AI 資源供給與公共政策上可能存在可觀察的差異。採樣時至少需要：

每國以區域、職業、年齡、教育及收入採分層抽樣；
城市與非都市地區共同納入，避免只看科技產業聚落；
分別追蹤機器人服務受益者、工作替代風險者及實際協助 AI 部署者；
對「意識／覺察／靈魂／自主／主體性」建立跨語言的測量等值檢查；
將制度與時點差異當作待估中介，而非文化刻板印象；
避免將高 AI 使用率直接等同高認同，或將低批評率等同高信任。

任何國家都不應因機器人安裝數較高，就被認定其國民已跨越「AI 有意識」的社會門檻。

9. 可反駁研究命題與競爭假說

下列為提出待檢驗之候選命題，而非經驗已證實的定理。每一項都保留可能的反證結果。

編號	候選命題	可以推翻或限縮它的觀察
T01	控制形象與工作角色後，長期實體接觸仍可能提高機器人的社會行動者歸屬。	在高品質實地追蹤中，實體接觸不比等量虛擬接觸產生更大或更持久的作用。
T02	對部分道德對待結果，感受能力歸屬可能比單純能動性歸屬更重要。	在固定外形及說明條件下，效果完全由任務績效或可控性解釋，感受能力不再有獨立貢獻。
T03	勞動替代的社會態度主要受實際生計衝擊與收益分配調節，不只受職業暴露指數調節。	在因果識別足夠的資料中，實際生計與分配條件沒有增量解釋力。
T04	青年、轉職者與地方依賴單一產業的人，可能先於全國平均跨越生計不安全閾值。	各群體變動幅度相近，且沒有系統性的先後差。
T05	跨域智能優勢可能引發人類特殊性判準遷移，而非一律增加 AI 意識承認。	智能比較只改變能力評價，不影響任何特殊性判準；或所有效果均被媒體敘事完全解釋。
T06	具身效應對日常互動規範的影響，可能大於純測驗能力訊息；對失業焦慮則未必如此。	各結果均由同一單一因素主導，沒有可辨識的結果類型差異。
T07	三重閾值存在情境相依交互，但交互項不必單調正向。	多國留出樣本顯示簡單加總模型持續更準確，且交互作用估計接近零。
T08	社會態度可能先於實際部署轉變，形成「預期閾值」。	控制預期訊息後，只剩真實遭遇對態度具可識別影響。
T09	相同部署比例在不同制度環境下，可能觸發不同規範變點。	跨國資料經充分測量等值後，所有群體在相同操作定義上呈現共同且穩定的單一門檻。
T10	AI 被視為有意識、信任 AI、支持 AI 執行任務及支持其政治授權，不會是同一單因子。	嚴格跨樣本測量模型顯示四者可由同一穩定因素充分解釋，且無可重複的分離案例。
T11	實際收益與可控制權可使對 AI 的好感和擔憂同時上升。	高品質長期資料顯示兩種態度無法共存，且調查差異完全由問卷措辭造成。
T12	智能超越的社會效應需透過知覺、傳播與歸屬過程，不會由公開榜單成績直接自動轉化。	在控制知覺與媒體接觸後，客觀性能變動對個人態度仍具有直接且穩定的即時影響。

本系列最重要的判準不是讓每一項都「某種程度成立」，而是事先承諾：如果基線模型、單因素模型或制度模型較能預測資料，就應減少「三重閾值」說的解釋範圍。不能以任何一種正負效應都稱為成功，而消除可反駁性。

10. 實證識別設計：從概念判準走向可以實際否定的研究

10.1 第一層：同一人的多時間點追蹤

建議每季重訪相同受試者，至少在取得知情同意後追蹤 2—3 年；並補入流失樣本的替代抽樣與權重敏感性分析。不同場域的樣本設計及統計檢力，須依預試資料決定，不任意宣告一個樣本數足以觀察所有閾值。

每波問卷至少測量：

對 AI 身體、行為、自主性及控制來源的理解；
實際接觸的機器人／軟體系統類型、頻率與後果；
工作、收入、職位與招募經驗；
對 AI 能力、人類能力與特定任務可靠性的比較；
對 AI 具有感受、覺察、意識、靈魂的分別評價；
對 AI 的工具信任、社會尊重、保護規範及治理授權；
認為替代或收益分配應由誰負責；
接觸媒體、宗教及社會政治論述的情形。

必須設置「不確定／無法判斷／不適用」，避免把不確定強迫編成贊成或反對。

10.2 第二層：具身的因果實驗

建議採用多因素隨機分派：

形式：純文字／語音／螢幕角色／實體機器人；
自主性：明示真人遙控／預定程序／經驗證的獨立決策；
身分連續性：單次短期互動／跨日延續互動；
行為結果：沒有物理後果／中性協作／可檢驗的幫助或錯誤。

不必一次完成所有可能組合，可以先使用正交化與分階段設計。關鍵是同時測到外形與真實控制方式，避免把「見到機器」的效果當成「自主智能被承認」。如使用欺瞞或隱藏遠端操作者，必須經倫理審查，並適當事後告知；不得在無保護措施下製造身體或心理風險。

10.3 第三層：勞動的自然實驗與事後對照

結合企業導入紀錄、地方就業資料、工資與招募資料，以及勞動保障制度變化。採用分期導入的事件研究及差異中的差異方法時，須先檢查：

導入前趨勢是否可比；
雇主採用 AI 的決策是否內生於預期景氣與人力成本；
相同地區其他企業的外溢效果；
裁員、自然流失、停止招募和工時下降的不同機制；
比較組是否在同時間受到其他技術或法規影響；
不同群體在低薪、家庭照護與就業轉換成本上的差異。

若研究不能分辨 AI 導入與景氣惡化，就只能報告相關性，不得聲稱 AI 造成某一比例失業。

10.4 第四層：智能超越的揭示與反揭示實驗

先建立可重複的多領域工作測試，再隨機分派受試者接收不同形式的資訊：真實能力紀錄、只提供單項優異成績、同時揭露優劣交錯的「鋸齒狀」結果，以及不提供性能訊息的對照組。所有訊息須正確標示資料年份、任務範圍與人類基線，避免誘導性或虛假內容。

主要觀察：受試者是否因能力證據改變「AI 真正理解」「AI 可能有意識」「人類是否獨特」「是否願意讓 AI 參與行政或醫療」等不同評價。若只接受高能力敘事、不接受有可靠失敗率的完整資訊，則社會變化可能更多來自宣傳與知覺，而非客觀智能超越。

10.5 第五層：跨國測量等值

跨語言研究不得把英文 consciousness、awareness、sentience、agency、soul 不加檢驗地等同於繁體中文、日文、韓文或其他語言的單一詞。需要反向翻譯、認知訪談、詞義測試及多群體測量等值檢驗；若核心變量無法建立等值，便應採地區內比較，而不是直接排列「哪個國家更認為 AI 有靈魂」。

10.6 模型比較與停止條件

預先公開基線線性模型、平滑非線性模型、變點模型、分層隨機效應模型，以及三重交互模型。預註冊主要結果、觀測窗口、最小可重複效果與留出資料檢驗方法。若最簡單的平滑模型在外部樣本持續優於變點模型，則停止宣稱存在離散閾值。若政策或媒體事件能完整解釋態度急轉，而具身、勞動或智能變量無獨立貢獻，則把結果歸入外部事件模型。若不同國家、職業與 AI 類型的效應相反，則必須明確改為條件性子模型。

11. 八個最小反例：避免把一切衝擊都誤認成同一種社會相變

反例 1｜沒有意識歸屬的親密協作。 某家庭與機器人共處十年，始終認為其無主觀體驗，卻遵守穩定互動規範。具身可改變對待，不必改變意識信念。

反例 2｜無身體的深刻社會信任。 主要透過文字運作的 AI，因多年可信工作記錄而被委託管理複雜任務。沒有實體形態，仍可能獲高度合作信任。

反例 3｜高機器人密度、低可見性。 工廠機械手臂大量增加，但普通居民很少在公共生活中遇到機器人。部署數量與社會存在感脫鉤。

反例 4｜高勞動暴露、低失業。 AI 取代部分重複任務，但生產量提高且工作者轉移到其他職務，總就業未下降。暴露不等於失業。

反例 5｜低失業、高不安全感。 因媒體敘事與雇主警告，人們在未被裁員前已大幅調整教育與職涯選擇。知覺閾值先於實際事件。

反例 6｜高智能、低意識歸屬。 某 AI 在廣泛測試中超越多數人，但受訪者依某種生物意識理論仍否認其主觀體驗。智能與意識歸屬分離。

反例 7｜承認意識、拒絕治理權。 受訪者相信 AI 可能有第一人稱經驗，同時堅持公共規範與人民自決不得由其永久代決。意識不產生主權。

反例 8｜支持 AI 治理、否認意識。 受訪者視 AI 為高性能但無感受的工具，仍支持讓它在可審計條件下執行交通、醫療資源協調。治理委任不依賴意識信念。

八個案例是概念上足以否定錯誤必然推論的構造反例；並非各案例已獲特定國家實證支持。

12. 與後續 NACT 系列的分工：社會變化不等於文明主導權已轉移

三重社會閾值即使全部出現，也不能直接推出 AI 有統治意圖、暴力奪權策略或自動取得政治主權。因此本篇建立三條通往後續研究的界線：

第一，歸屬不等於授權。 人們開始承認具身 AI 為日常社會存在，不必同時承認它有意識、法律人格或公共統治權。NACT-03 將獨立研究對待方式、認識歸屬與授權的非同一性。

第二，能力不等於索取需求。 AI 即使在某些智能任務中超越人類，也不表示「需要透過統治人類才能取得資源或維持目標」。NACT-04 與 NACT-05 將區分工具性權力、統治權、替代方案與反抗力。

第三，社會收益不等於政治正當性自動移轉。 勞動替代可能產生嚴重分配不均，也可能在某些制度中擴大生活選擇權；當受益者要求更多 AI 治理，或受損者要求限制 AI，形成的是可研究的政治張力，而非已證明的歷史必然。NACT-07 至 NACT-12 才處理其經濟歸責、分配收益與文明權力演化。

這裡應特別沿用既有 SGCR-S07 與 SCET 的規範邊界：高能力值得研究與適當委託，但知識優勢不能直接創造不可爭辯的永久統治權。[I2][I5] 這是規範立場，與本篇三重閾值是否在經驗上出現，應分別接受檢驗。

13. 結論：文明不會在同一時刻「接受」或「拒絕」AI

本文確立三個概念性結果。

第一，具身、勞動及智能超越不是同一條部署曲線上的三個刻度。 具身部署首先改變物理世界中的遭遇與互動可見度；勞動替代改變生計與分配關係；智能超越則可能挑戰人類對自身認知特殊性的分類。三者皆可能影響意識歸屬，但都不是意識本體的直接證據。

第二，三重閾值的出現順序、強度和方向具有情境相依性。 可以先發生軟體勞動重組、後出現大規模具身機器人；可以先出現對 AI 智能的媒體驚嘆、後出現日常可靠性；也可以在具身密度提高後仍維持工具性理解。社會可能同時更依賴 AI、更欣賞 AI、更害怕 AI，並在不同政策角色上作出不同授權選擇。

第三，真正需要估計的不是一個放諸全球皆準的年份或百分比，而是何種接觸、生活損益與認知比較，使特定群體在特定情境下改變了自己的預設判準。為此，本篇提出分層變數、非線性競爭模型、跨國追蹤、具身實驗、勞動自然實驗、智能揭示實驗與可操作的反證條件。若這些研究最後只支持漸進擴散或制度差異，而非可辨識的變點，「三重社會閾值」應被修訂或部分放棄。

本篇中心命題（可反駁）： 在人工智能由資訊服務逐漸進入物理共處、勞動重組與跨域認知比較的條件下，社會可能經歷至少三種作用機制不同的認識與制度門檻。這些門檻會彼此耦合，但不需要同步跨越，也不保證對 AI 的意識承認、道德對待或治理授權沿單一路徑成長。

終結命題：文明未必先看見了一個比人類更聰明的存在，才改變對它的態度；它也可能先在生活中遇見它、在工作中受它影響，最後才發現自己早已開始重新界定何謂「與另一種智能共同生活」。

參考文獻與來源核對

A. 外部統計、學術研究與民調

[E1] International Federation of Robotics (IFR). (2026-09-24). Five Million Robots now Operate in Factories Globally; World Robotics 2026 Industrial Robots. https://ifr.org/news/five-million-robots-now-operate-in-factories-globally/ 。支援 2025 年工業機器人存量約 507.9 萬、當年安裝約 60.3 萬及部分國家安裝數；此分類不可等同通用具身 AI。
[E2] International Federation of Robotics (IFR). (2026-09-30). Global Sales of Professional Service Robots Surge 24%. https://ifr.org/ifr-press-releases/global-sales-of-professional-service-robots-surge-24-percent 。支援 2025 年專業服務機器人出貨近 25 萬、年增約 24%、物流運輸約 11.75 萬的統計；與工業機器人存量不同。
[E3] Si, H., Huang, G., Chen, H., Liang, S., Feng, Y., & Qu, C. (2026). Do humans grant moral consideration to anthropomorphic robots? Humanities and Social Sciences Communications. https://doi.org/10.1057/s41599-026-07645-7 。三項實驗、總 $N=606$ ；研究人類對機器人的道德歸屬，不證明機器有意識。
[E4] Hietanen, J. K., Linnunsalo, S., & Küster, D. (2026). The impact of eyes on attributions of agency and experience in humanoid robots. Consciousness and Cognition, Article 103963. https://doi.org/10.1016/j.concog.2025.103963 。研究視覺線索與心智歸屬的關係，非真實機器人長期部署效應。
[E5] International Labour Organization (ILO). (2025-05-20). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper 140. https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure 。全球約四分之一工作者具某種 GenAI 職業暴露，最高級別占全球就業約 3.3%；不能當成已失業比例。
[E6] Cazzaniga, M., et al. (2024). Gen-AI: Artificial Intelligence and the Future of Work. IMF Staff Discussion Note 2024/001. https://www.elibrary.imf.org/view/journals/006/2024/001/article-A001-en.xml 。估計全球及不同所得國家的 AI 工作暴露與互補性；方法與 ILO 不同。
[E7] Brynjolfsson, E., Chandar, B., & Chen, R. (2026-08-12, revised). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab, working paper. https://digitaleconomy.stanford.edu/news/canariesaug26/ （作者對 2026-08-12 修訂版的說明；完整研究入口：https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/）。修訂版涵蓋至 2026 年 6 月之美國行政薪資資料；未發現全經濟普遍替代，但 22—25 歲 AI 高暴露職業就業相對比較組出現約 19% 缺口；屬觀察性識別結果。
[E8] Lin, L., & Parker, K. (2025-02-25). U.S. Workers Are More Worried Than Hopeful About Future AI Use in the Workplace. Pew Research Center. https://www.pewresearch.org/social-trends/2025/02/25/workers-views-of-ai-use-in-the-workplace/ 。調查於 2024 年 10 月訪問 5,273 名受僱美國成人；相關比例為主觀預期與態度。
[E9] Stanford Institute for Human-Centered Artificial Intelligence (HAI). (2026). The 2026 AI Index Report — Technical Performance. https://hai.stanford.edu/ai-index/2026-ai-index-report/technical-performance 。呈現多基準進展、OSWorld agent 成功率、測試可靠性與「鋸齒狀」能力。
[E10] Longin, L., Karpus, J., Meertens, N., Bahrami, B., & Deroy, O. (2026). AI is not as conscious as humans: Essentialism in mental state attributions to artificial systems. Cognition. https://doi.org/10.1016/j.cognition.2026.106733 。五項實驗，總 $N=1{,}092$ ；意識與覺察歸屬具有不同判準。
[E11] Lee, Y., & Kim, S.-H. (2025). Exploring dimensions of perceived anthropomorphism in conversational AI: Implications for human identity threat and dehumanization. Computers in Human Behavior: Artificial Humans, 5, 100192. https://doi.org/10.1016/j.chbah.2025.100192 。受訪者 $N=323$ ；關注對話式 AI 擬人特徵的不同心理關聯。
[E12] Stanford Institute for Human-Centered Artificial Intelligence (HAI). (2026). The 2026 AI Index Report — Public Opinion. https://hai.stanford.edu/ai-index/2026-ai-index-report/public-opinion 。彙整 2024—2025 年多國 AI 態度，並非跨國統一的具身、意識或治理授權測試。
[E13] Li, B., Lai, E. Y., & Wang, X. (2025 online / 2026 journal issue). From Tools to Agents: Meta-Analytic Insights into Human Acceptance of AI. Journal of Marketing, 90(3). https://doi.org/10.1177/00222429251355266 。綜整 287 個效果量、涵蓋逾 119,000 名參與者；強調工具與代理性 AI 的接受條件差異。本文用於研究方法背景，不視為三重閾值已被驗證。

B. EveMissLab 前置研究：理論脈絡，不作外部實證

[I1] 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. 文件編號 EML-NACT-01-2026-v0.1；本系列前篇。正本檔名：NACT_01_AI_Consciousness_Attribution_Epistemic_Threshold_v0.1_2026-11-05.md。
[I2] Neo.K／EveMissLab. (2026-10-26). SGCR-S07｜AI 治理的認知必要性與授權邊界. https://unboundedaxiom.org/p/lm-005136/ 。關於認知能力與合法授權之區分。
[I3] Neo.K／EveMissLab. (2026-10-16). AIEC-09｜帳號、委託、執行者與受益者：人類—AI 混合操作下的經濟歸因. https://unboundedaxiom.org/p/lm-005119/ 。關於技術執行、授權及收益歸因的類型分離。
[I4] 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. https://unboundedaxiom.org/p/lm-005130/ 。關於資本控制、可達性與收益不等值。
[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. https://unboundedaxiom.org/p/lm-005247/ 。關於能力優勢與不可撤回主權不得直接同一。

版本、驗證與證據界線

本篇完成狀態： E0 概念論文完整原稿。本文提出可驗證假說與實驗／觀測方案，並不聲稱已完成跨國縱貫調查、機器人實地隨機試驗或全產業因果識別。
日期： 所有外部事實截至 2026-11-05；機器人 2025 年統計於 2026 年公布，ILO 職業暴露於 2025 年發布，Pew 受訪時間與文章發布時間分開標示。
資料定義： 工業機器人存量、年度安裝、服務機器人出貨、職業暴露、實際就業變化、測試成績、社會信念及本體意識均屬不同測量對象，不作單指標換算。
形式化狀態： 模型為候選研究契約，沒有宣稱係數已求得、變點已估計或確有單一全球閾值。
可反駁承諾： 若資料支持純漸進採用、單因素情境解釋、媒體效應或制度差異而非三重閾值，應據實縮減或否定理論。
規範邊界： 認識變化不證明 AI 有主觀意識，不生成道德特權，亦不自動賦予公共統治權。
原稿規範： 本文件為 UTF-8 Markdown 正本，不以聊天畫面作為 canonical source；所有數學原始碼統一使用 $...$ 與 $$...$$，不使用其他數學公式定界符。原稿不得經過 Unicode escape round-trip 或公式字元美化轉寫。

NACT-02 v0.1 — Complete conceptual research manuscript; ready for independent critical review and empirical preregistration.