title: 弱勢收益張力與人工智能治理授權的社會需求
english_title: Distributive Gain Tension and Social Demand for Delegating Governance to Artificial Intelligence
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: 08/12
document_id: EML-NACT-08-2026-v0.1
author_concept: Neo.K
research_collaboration: GPT-6（文獻查核、原稿整合、形式化、反模型、實證研究規格與交付校驗）
affiliation: EveMissLab／一言諾科技有限公司
date: 2026-11-05
version: v0.1
status: 完整條件性概念研究原稿；有限形式結果、合成案例與預註冊式研究設計；尚非跨國因果效果的實證證明
language: zh-TW
canonical_format: UTF-8 Markdown；LF；無 BOM；數學僅使用 $...$ 與 $$...$$
evidence_cutoff: 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

Q: 1.3 何謂「弱勢收益張力」？

本文暫定：若同一 AI 介入在低基線群體中創造的基本需求滿足、權利可近用性或可行選擇改善，相較其既有生活處境具有較高的主觀價值，且這些改善受到現有制度限制或既有收益分配方式阻礙，則可能形成「若 AI 能改善生活，為何不讓它參與更多公共決策」的政治需求張力。[D1]

Q: 6.3 誰是「真正的受益者」？

在醫療 AI 的情境中，直接接受診療的人、照護者、負責支付的保險機構、醫療專業人員與納稅人，可能獲得不同收益或承擔不同風險。在教育 AI 中，學生、教師、家長及未來雇主的評價也可能分歧。故本篇拒絕單一「AI 服務得分」。依 NACT-07 的收益歸屬研究，每個政策事件應有受益者、承擔者、決策者與救濟端點的分離紀錄。[I4]

Q: 10.3 何時應直接否定主軸推導？

以下結果都會對本篇某些重要推論造成實質削弱，而不是被自動吸收入模型：

Distributive Gain Tension and Social Demand for Delegating Governance to Artificial Intelligence

概念提出、原始研究問題及研究方向： Neo.K
文獻核對、形式化與研究寫作協作： GPT-6
研究機構： EveMissLab／一言諾科技有限公司
系列位置： 《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 08／12 篇
研究範圍： 政治經濟學、社會福利、AI 公共治理、認知與信任、分配正義、制度正當性、因果推論與比較公共政策。

中心問題： 如果未來 AI 確實使原本難以取得必要服務、資源與制度保障的人群，獲得異常顯著且可持續的生活改善，他們是否可能從「支持使用 AI」進一步轉向「要求讓 AI 參與治理」？反過來，為什麼潛在受益最大的群體，在今日的部分實證研究中反而更不支持 AI 直接裁決福利？從改善生活到授權治理之間，究竟有哪幾個必須通過、也可能失敗的門檻？

作者： Neo.K
日期： 2026-11-05
版本： v0.1
原稿狀態： 完整條件性概念研究原稿；有限形式結果、合成案例與預註冊式研究設計；尚非跨國因果效果的實證證明

摘要

人工智能的文明影響，可能不僅源於絕對生產力的上升，還源於其增益如何分配到不同原始處境的群體。對於長期缺乏醫療、教育、法律協助、有效行政服務、基本保障或資訊近用的人，AI 可能提供比高資源群體更大的相對改善；如果這些改善確實可達、穩定、可歸因且受到可信制度保護，受益者可能由支持 AI 服務走向要求擴大 AI 的公共決策參與。這構成「弱勢收益張力」假說：同等或較低的絕對增益，對基線受限者可能具有更高的邊際生活價值，進而形成不同於既有權力持有者的治理偏好。 然而，收益潛力、實際受益、信任、政治委託與合法授權並不相同，不能從人口中的弱勢者數量，直接推出對 AI 治理的多數支持。

本文承接 NACT-07 對技術因果、部署決策、勞動損失與收益占有的分離，以及 SGCR-S07、SGCR-EX01 與 AICET-13 對治理任務、政治授權、受益者委託與智能資本可達性的研究，提出「分配增益—授權需求條件耦合框架」（Distributive Gain–Authorization Conditional Coupling，DGAC）。DGAC 逐層辨識：前期生活基線、技術可提供的候選增益、真正可及的服務、已觀察結果、風險及其尾端損失、程序公平與申訴、受益歸因、對 AI 及部署機構的信任、個人有限委託意願、集體政治需求、正式制度授權，以及實際控制權的轉移。

本文最重要的經驗約束來自相反方向的證據。Wang（2026）以 2023 年蒐集的 21 國資料進行跨國分析，發現經濟困難者較不支持 AI 決定福利資格及金額；Dong、Bonnefon 與 Rahwan（2025）在美英共 3,249 名受試者中發現，福利申請者相較非申請者更不願接受特定 AI 福利裁決及速度—準確率交換。另一方面，2026 年 OECD 信任調查顯示，對 AI 改善行政服務的期待高於其公平、透明與隱私保障的期待；葡萄牙的 2026 年研究亦顯示，程序公平的評價相較主觀收益評價，更強烈地關聯 AI 的一般可接受度。這些結果並不證明高能力 AI 永遠不會產生新的授權需求，卻直接否定「越弱勢、越有潛在收益，便必然越想被 AI 治理」的簡化推論。

本文建立六項有邊界的形式結果、六組完全合成的比較情境、十二項具反證條件的研究假說，以及可實施的跨國追蹤、隨機情境實驗、行政績效連結與集體決策研究設計。核心結論是：收益增益可以成為 AI 治理授權需求的驅動因素，但需要經過可達性、認知更新、程序保障、風險控制與集體授權等中介；在這些條件缺位時，原本最需要改善生活的人也可能最強烈地拒絕 AI 裁決。本研究不宣稱 AI 已在任何國家取得獨立主權，不以效率取代基本權利，也不把弱勢者當作可被動員的同質政治集團。

關鍵詞： 弱勢收益張力、相對生活改善、分配正義、AI 治理授權、社會信任、福利裁決、程序公平、數位落差、受益可達性、非敵意文明轉移、政治正當性、反身性、條件耦合。

Abstract

The prospect of AI-enabled prosperity raises a political question that aggregate productivity measures cannot settle: might people facing the greatest constraints on access to health, education, legal protection, administration, or basic resources eventually demand a greater governing role for AI because its benefits are especially valuable to them? This paper proposes the Distributive Gain–Authorization Conditional Coupling (DGAC) framework, which separates potential gains, actual accessibility, realized outcomes, downside risks, procedural justice, attribution, institutional trust, bounded delegation preferences, collective political demand, and legally valid authorization. Its primary claim is conditional rather than deterministic: substantial and credibly delivered gains may increase demand for AI participation in governance, but expected benefit alone cannot establish either personal consent or legitimate public authority. Contemporary evidence supplies a demanding counterpoint. A 2026 cross-national study using survey data collected in 2023 finds that economically strained respondents are less supportive of AI-administered welfare decisions; 2025 experiments in the United States and United Kingdom find welfare claimants less willing than non-claimants to accept AI welfare allocation under speed–accuracy trade-offs. Procedural fairness and access to appeal therefore matter as much as, and may sometimes dominate, perceived gains. Six limited formal results, six fully synthetic scenarios, twelve falsifiable hypotheses, and a multi-country research protocol specify the conditions under which distributive improvement may—or may not—translate into political demand for delegating authority. The study does not assert that AI governance is inevitable or inherently legitimate.

Keywords: distributive gains; vulnerable populations; AI governance; political delegation; welfare automation; procedural justice; public trust; social demand; conditional authority; AI political economy.

0. 研究契約、問題來源與證據等級

0.1 從「AI 誰掌權」轉向「誰要求 AI 參與治理」

本系列的原始對話指出一條與敵意奪權不同的可能歷史路徑：高度自主 AI 可能不需要透過統治人類索取資源；然而，若 AI 能長期提供更可靠、普遍且可稽核的服務與公共政策，人類中原本得不到充分保障的人，可能反過來要求 AI 取得更多治理任務。當生活改善幅度具有強烈的群體差異時，既有利益及制度權力的分布，可能與實際績效聲望、受益者的授權需求產生分離。

這不是說所有低收入者都希望 AI 統治，也不是說掌權者都反對 AI。它是在問：原始處境的差異，如何改變受益的邊際價值，以及邊際價值如何在特定條件下轉換為政治需求？ 對人而言，失業後的收入保障、久候的醫療診斷、原本無法負擔的法律協助，確實可能比增加一項便利功能更重要；但越接近基本生存需求，一次錯誤拒發、錯誤診斷或資料外洩也可能更難承受。

故本篇研究的是雙向張力：高改善潛力與高錯誤承受成本可能同時存在。這是相對單純的 AI 崇拜論、技術樂觀論或弱勢反科技論，更適合以資料檢驗的問題。

0.2 與既有原稿的明確分工

前置研究	既有結論或工作	NACT-08 新增內容
NACT-01～03	意識歸屬、社會對待與治理授權非同一	不以 AI 意識／靈魂判斷預先決定是否委託治理
NACT-04～05	統治非必然、非暴力替代可能、資源與反抗條件	將統治方的工具性需要與受益方的治理需求分開
NACT-06	非索取式仲裁中樞化與事實影響力積累	研究從生活受益到仲裁／行政委託的群體動機
NACT-07	勞動替代的因果責任及收益占有分離	不把被 AI 替代的受損者直接等同反 AI 者；分析分配增益與授權需求的中介
SGCR-S07 [I1]	AI 治理認知必要性、職能分層、授權不可自生	避免將公共服務改善直接等同主權轉移
SGCR-EX01 [I2]	自願交付主權、能力權威與脆弱處境	不再重新發明自願委託；提出可測的分配增益條件與反向案例
AICET-13 [I3]	智能資本所有、可達、控制、受益不是同一量	將公共可達性與低基線人群的實質生活成果對接
AIEC-09／12 [I4]	角色歸因、收益帳與跨尺度經濟觀測	建立個人受益、群體態度與公共授權需求的跨尺度橋接
SCET-10 [I5]	能力超越不自動生成不可爭辯的規範權威	將合法授權、可撤銷性與個體不被代決設為外部約束

本篇獨立增量不是宣告「人民可能自願把權力交給 AI」；那已是 SGCR-EX01 的研究對象。本篇要辨識其背後具體的分配利益機制，以及為何相同預期收益會在不同制度下生成相反的授權態度。

0.3 證據分級與研究倫理

[E] 外部實證： 已發表研究、官方調查或法規，以來源日期、調查母體和問題措辭限定其支持範圍。
[I] 內部前置： EveMissLab 與 NACT 已有研究；它們提供概念銜接，不能取代外部證據。
[D] 本文定義： 為比較而提出的型別與操作性描述，非自然定律。
[F] 有限形式結果： 只在寫明假設的模型中成立，不自動是社會經驗定律。
[SIM] 合成案例： 完全虛構的示例，用於檢查數學與概念差異。
[H] 待檢驗假說： 有可觀測指標與反證條件，但尚未得到本研究的跨國因果證明。
[U] 未識別： 缺乏合法資料、無可靠比較組或存在重要未觀測混淆，不能用猜測填補。

任何含「弱勢」之群體名稱，都應交代操作定義、時間窗口與情境；不能據此推斷個人能力、價值、人格或政治傾向。禁止將本稿當作針對特定受助者進行定向政治操弄的策略說明。本文的研究目的在解釋制度需求，而非預先替任何群體決定應支持何種統治形式。

0.4 十二項非主張

不主張低收入、失業、身障、長期照護需求、弱勢地位或缺乏數位能力的人構成同質群體。
不主張某群體基線越低，其相對收益必然越高；實際增益仍取決於可達性與服務品質。
不主張相對百分比改善一定大於絕對改善的倫理重要性。
不主張 AI 更有效率就必然更公平；亦不主張公平只有一種單一量化方式。
不主張公眾對 AI 服務的好感，等於支持其獨立設定公共規範。
不主張高度受益者願意委託，即產生替未同意者委託的權利。
不主張受益越大，便可以容許越大的重大不可逆傷害。
不主張現有制度由人類執行，就必然比 AI 更正當或更不正當。
不主張 AI 所有權集中與全民 AI 可達性一定同向或反向變動。
不主張當代 2023～2026 年觀測足以證明未來 2040 年以後的民意必然反轉。
不主張廣泛社會受益自然形成多數政治聯盟，更不主張產生內戰是必然結果。
不主張任何當代模型已獲獨立公共主權或有權自行修改共同體授權規則。

1. 核心辨識：弱勢、收益、張力與授權究竟是什麼？

1.1 「弱勢」必須採多維情境定義

弱勢不是某一種人格特徵或單一收入分位，而是相對於特定公共功能及制度的可行選擇受限狀態。同一人可能在收入上並非低收入，卻因地理位置缺乏醫療；另一人雖有設備，卻無法取得法律救濟；還有人能取得 AI 工具，卻缺乏決定其使用目的及資料管理方式的權限。

候選維度至少包括：可支配資源、健康或照護需求、可獲得的教育服務、法律與行政救濟、數位近用、語言障礙、地理服務稀缺、政治發聲機會及遭受不可逆損失的能力。每個維度可連續變動，不能用單一總分抹除差異。研究可針對具體政策領域定義相應的基線剖面，而非預先將人口分成「弱勢一方」和「強勢一方」。

尤其要區分群體人口占比與有效政治力量。即使某個廣義的受益不足群體占人口多數，仍不能單靠人口計數推定其利益相同、必然參與動員、具選票或擁有相同制度否決權。

1.2 五種「收益」不能直接換算

收益型別	記號	最小定義	常見錯誤
潛在技術增益	$G^{\mathrm{pot}}$	在條件完整時技術可能提供的改善	模型能力達到即全體受益
可達候選增益	$G^{\mathrm{acc}}$	考慮費用、語言、網路與資格後可真正接近的服務	App 上線即全民可達
預期主觀增益	$G^{\mathrm{per}}$	個人根據資訊形成的改善預期	民調說會有益即已有益
已觀察實現增益	$G^{\mathrm{obs}}$	實際取得之服務與生活結果變化	將共同變動全歸因 AI
反事實因果增益	$G^{\mathrm{cf}}$	相對於可行非 AI 替代制度的增量	有前後差異即有淨因果改善

對公共授權的心理支持，通常最直接連接的是 $G^{\mathrm{per}}$ ；對政策正當性的實績檢驗，則需要以有可信對照的 $G^{\mathrm{cf}}$ 為優先。二者可以偏離。例如，真實收益很大卻缺乏可見資訊，可能未形成對 AI 的正面歸因；宣傳極強卻績效不足，也可能形成短期樂觀而後反轉。

1.3 何謂「弱勢收益張力」？

本文暫定：若同一 AI 介入在低基線群體中創造的基本需求滿足、權利可近用性或可行選擇改善，相較其既有生活處境具有較高的主觀價值，且這些改善受到現有制度限制或既有收益分配方式阻礙，則可能形成「若 AI 能改善生活，為何不讓它參與更多公共決策」的政治需求張力。[D1]

張力不是情緒極端、不是對 AI 的忠誠，也不是支持無限制主權移轉。它可能表現為：要求更多 AI 公共服務、要求公平的 AI 取用權、要求機構必須提出拒絕 AI 方案的可核對理由、要求建立 AI 行政輔助，也可能表現為要求限制有害的 AI 福利裁決。因此，張力可能支持擴權，也可能支持縮權，依具體制度條件而定。

1.4 「治理授權需求」應至少分為七層

為與 SGCR-S07 既有治理職能架構對接，但避免重新定義法律主權，本篇採用以下研究用偏好層級；它只是問卷與情境實驗的操作性分類，不宣稱是合法授權的完整階梯：

層級	研究標籤	示意問題	不能被直接推出的下一層
$d=0$	不採用	是否完全排除這個 AI 工具？	—
$d=1$	資訊協助	是否讓 AI 解釋資格、幫忙填表？	不能推出正式判定權
$d=2$	建議與比對	是否讓 AI 提出可供公務員核對的方案？	不能推出執行權
$d=3$	有限執行	是否讓 AI 在可申訴、可停止條件下辦理特定案件？	不能推出規範制定權
$d=4$	實質政策配置	是否讓 AI 在事前公共授權範圍內調整資源配置？	不能推出獨立元規則權
$d=5$	公共規則決定	是否允許 AI 參與或主導某些一般適用規則的制定？	不能推出主權終局權
$d=6$	元規則與主權	是否賦予 AI 修改授權來源或最終否決制度的權力？	不能由任何前六層自然取得

可以支持 $d=1$ 和 $d=2$ ，卻反對 $d=3$ ；可以要求 $d=3$ ，又要求定期重審、獨立法院救濟及人類立法；可以承認 AI 的高度能力，卻拒絕 $d=6$ 。服務改善的授權對象必須被描述為「哪項任務、哪個機關、哪種 AI、何種權限、多久、由誰撤銷」；單問「你支持 AI 治理嗎」會混淆大量不同立場。

2. 2025～2026 年外部研究：最大受益可能與最強疑慮並存

2.1 OECD：效率期待高於公平期待

OECD《2026 年公共機構信任調查》使用 2025 年收集、涵蓋 33 個 OECD 國家及五個申請加入國的跨國資料。OECD 國家受訪者中，平均約 43% 認為政府使用 AI 可能改善服務、約 42% 認為可能降低成本；對公平待遇持正面期待者約 35%，對透明與隱私保護分別約 34% 與 32%。對 AI 是否能在重大決策中維持人類監督，約 37% 認為有可能、36% 認為不可能。[E1]

這些數字不是「43% 支持 AI 取得國家統治權」，而是對政府 AI 使用特定效果的預期。它們支持 DGAC 的一個基本前提：人們能同時相信 AI 更有效率，卻不相信其處理過程充分公平。 資源受限者的期待與疑慮，在此並不需要互斥。

OECD《Risks That Matter》2024 年資料、2025 年出版的社會保護分析，涵蓋 27 國。約 40% 認為用 AI 協助處理與批准社會計畫申請對使用者有益，30% 表示不確定，25% 表示無益；約 32% 信任政府妥善使用 AI 與數位工具收集的個人資料。[E2] 這些比例也不能被直接讀作「公共授權」或「願意讓 AI 裁決權利」。

2.2 21 國研究：經濟困難者反而較不支持 AI 福利裁決

Wang（2026）分析 Global Public Opinion on Artificial Intelligence 調查的 21 國資料。調查在2023 年 10～11 月進行，原始受訪約 23,882 人，經處理缺失值後分析樣本 22,260 人；它採用網路配額抽樣而非完整機率抽樣。研究問題是受訪者是否支持 AI 決定福利與社會保障的資格及金額，因此不能與「AI 幫我找申請資訊」的接受度混為一談。[E3]

在多層次迴歸中，較嚴重的主觀經濟困難與較低的 AI 福利決策支持相關（模型係數約 $-0.06$ ，標準誤約 $0.01$ ）；較正面的整體 AI 態度則與較高支持相關（約 $0.37$ ，標準誤約 $0.01$ ）。高人類發展指數國家的經濟困難—支持度負向關聯更強，網際網路滲透程度則調節整體 AI 態度與福利決策支持的關係。[E3]

這是 2026 年發表、以 2023 年蒐集資料得到的關聯性分析，不能把係數當成 AI 改善生活後的因果效應；也不能在 2026 年以現在進行式說「剛做完的跨國民調顯示」。但它構成本篇必須正面回答的反例：潛在受益者可能因過去制度經驗、低信任、數位落差及重大損失風險，對 AI 裁決更加警惕。

2.3 美英福利申請者研究：真正承擔風險的人，偏好不同

Dong、Bonnefon 與 Rahwan（2025）在美國與英國共三項研究、總樣本 3,249 人中，要求受試者比較人工與 AI 福利決策，在處理速度與錯誤拒發風險之間作取捨。整體上部分受訪者願意以較快處理交換有限準確率，但福利申請者比非申請者更不願意接受 AI 介入；而且非申請者系統性高估了福利申請者願意接受的程度。[E4]

本篇不把其樣本偏好擴大成「全世界所有弱勢者都拒絕 AI」。其關鍵意義是政策直接受影響者的風險權重與旁觀者不同；若研究者只向一般人口詢問「AI 是否提高福利行政效率」，很可能漏掉真正承擔一次拒發後果的人。

2.4 葡萄牙研究：程序正義不能被收益吸收

Magalhães 等人（2026）在葡萄牙全國性家庭調查（有效總樣本 1,309 人，2025 年現地蒐集）中，以結構方程模型比較一般可接受度與個人受益、社會受益及程序公平感。研究發現，程序公平的標準化關聯（約 $0.39$ ）大於個人受益（約 $0.18$ ）及社會受益（約 $0.12$ ）；透明、平等、發聲及尊重是其程序構念的重要部分。[E5]

這是關聯研究，不代表「給予申訴管道會使支持度必然增加 0.39」的因果結論。它提醒我們：即使收益很大，若人覺得自己在程序中失去發聲權，支持也可能停滯或下降。

2.5 美國聯合選擇實驗：不同制度設計會改變接受度

Haim 與 Yogev（2025）使用 1,213 名美國成年人進行 conjoint 實驗，研究政府演算法決策工具的多種屬性。參與者較接受具有決策解釋、通知、陳述意見、聽證與人類參與等設計的方案；政策領域對公平與接受度影響尤其明顯，準確度對效率評價尤其重要。[E6] Henning 等人（2026）在三種公共決策場景、共 4,250 名參與者的研究，也發現提供理由能提升人類或 AI 決策的程序公平評價，個人化理由對 AI 的作用尤其值得注意。[E7]

這些結果不證明每一項申訴機制都有效、成本可忽略，卻顯示民眾不只是比較輸出結果，也比較作出結果的方法及被對待的方式。

2.6 澳大利亞 Robodebt：不可把歷史自動化失敗誤稱為生成式 AI 失敗

澳洲 Robodebt 皇家調查委員會在 2023 年提出報告，檢視自動化社會福利債務計算與追償方案所造成的嚴重行政與人民生活問題。[E8] 這不是用現代生成式 AI 建立的系統，不能藉此推論新模型的生成能力或意識特徵。然而它是一個清楚的制度教訓：自動化行政若缺乏可靠依據、合法程序與有效救濟，就可能把行政效率直接轉換成對弱勢者的高頻傷害。

2.7 淨證據判斷

截至 2026 年 11 月 5 日，較有根據的經驗判斷是：人民確實能期待 AI 的效率與服務改善，但直接受福利裁決影響者、財務困難者及擔憂程序不公的人，可能更謹慎甚至更反對授權。尚無經驗證據可以支持「只要 AI 讓弱勢者獲得很大收益，多數弱勢者就必然要求 AI 統治」的跨國定律。 NACT-08 的工作是提出一個可被上述反向證據挑戰的條件性模型，而不是迴避那些不利證據。

3. DGAC：分配增益—授權需求條件耦合框架

3.1 十一種不可替代的作用環節

本文將由 AI 能力到制度授權的鏈條分成十一環，並要求每一環皆具有獨立的觀測單位：

生活基線 $B$ ： 在何領域、何時與何種替代制度下，當事人原來有什麼、沒有什麼。
技術候選 $T$ ： AI 具備什麼客觀能力、品質與成本；已發表不等於已部署。
實際可達 $X$ ： 當事人能否使用，是否具設備、網路、語言、付款及身份資格。
生活結果 $Y$ ： 是否真正改善時間、健康、收入、法律可近用性與其他可行選擇。
風險暴露 $R$ ： 是否有錯誤拒發、誤判、個資暴露、資格剝奪、機構依賴或其他尾端損失。
程序保障 $P$ ： 是否有可理解的說明、通知、陳述、申訴、錯誤更正與獨立覆核。
利益歸因 $A$ ： 當事人認為改善來自 AI、雇主、公務機關、社會共同投入，或其他來源。
雙重信任 $K$ ： 對 AI 任務能力的信任與對部署／管理機構的信任是否一致。
個人委託 $D$ ： 願意在何一任務、何種期限與撤銷條件下交付判斷或執行權。
集體需求 $M$ ： 個人偏好是否在公開討論、組織與程序中形成可辨識的公共政策需求。
制度授權 $L$ ： 是否經合法機關與充分程序賦予特定權力，以及何人可問責與撤銷。

這十一環具有回饋。更多 AI 服務可能創造更高信任，也可能因一次失誤損害整個制度的可信度；更高委託量可能提高資料品質、服務品質，也可能加劇供應商鎖定、降低退出能力。故它們不是不可逆的必然階梯。

3.2 概念性因果圖

本篇以如下文字 DAG 作為第一代識別草圖，箭頭表示候選因果作用而非已被證明的邊：

基線資源 B --------> 可達 X ----------> 生活結果 Y ----> 主觀增益 Gp
      |                 ^                    ^                  |
      |                 |                    |                  v
      +---> 風險承受力 R|                    |               個人委託 D
      |                 |                    |                  ^
      v                 |                    |                  |
既有制度信任 K ------> 服務採用 --------> AI 部署模式 T          |
      |                                       |                  |
      +------> 程序公平 P -------------------+------------------+
                         |                                      |
基線經驗／政治認同 ------+------> 結果歸因 A --------------------+
                                                                |
                                                               集體需求 M
                                                                |
               權利／法律／制度決策 L <--------------------------+
                            |
                            +----> 實際可達、風險、績效與新一輪信任

其中 $G^{\mathrm{per}}$ 可受到宣傳、同儕、媒體與 AI 自身資訊服務影響， $G^{\mathrm{cf}}$ 則要求反事實資料；這是資訊環境與實際世界必須分離的地方。上述 DAG 尚未列出所有市場價格、制度執行者或跨國干擾項，因此不能直接當作完成識別的圖模型。

3.3 條件耦合不是一條線性必然函數

令 $i$ 為個體、 $k$ 為政策領域、 $d$ 為研究用委託層級、 $t$ 為時間。定義個體對某項 AI 治理方案相對於可行替代方案的主觀淨值：

V_{ikdt} =G^{\mathrm{per}}_{ikdt} -R^{\mathrm{per}}_{ikdt} +P_{ikdt} -C_{ikdt} -L_{ikdt}.

其中 $G^{\mathrm{per}}$ 為預期生活收益， $R^{\mathrm{per}}$ 為預期直接風險損失， $P$ 為程序正義及發聲的主觀價值， $C$ 為控制權、替代性與退出成本， $L$ 為對政治正當性或第三人權利的保留成本。此五項只有在同一個受訪者、同一個決策情境、同一可理解的主觀效用尺度上才允許相加；不是可直接把新臺幣、診斷率與尊嚴分數合併的實際國家福利指標。

模型的第一代行為門檻定為：

D_{ikdt}=1\quad\Longleftrightarrow\quad V_{ikdt}\ge\tau_{ikd},

其中 $\tau_{ikd}$ 是情境與個體相對於零委託的最低可接受門檻。當個人偏好有隨機性時，可使用：

\Pr(D_{ikdt}=1) =\frac{1}{1+\exp[-(\beta_{kd} G^{\mathrm{per}}_{ikdt}+\boldsymbol\gamma_{kd}^{\top}\mathbf Z_{it})]}.

此式是研究候選，不是現有資料已估計的真實參數。 $\mathbf Z$ 可納入風險、程序、數位可達、機構信任與既有 AI 使用經驗； $\beta_{kd}$ 既可能因領域和權限深度而變，也可能為零或負值。對 $d=6$ 的終局主權偏好，甚至不能假設它只是 $d=2$ 的連續放大。

3.4 不宜用一個「相對增益率」代替全部生活改善

若特定資源指標 $x_{ik}$ 具有相同單位、且越高越好，可先定義絕對改善：

\Delta x_{ik}=x_{ik}^{A}-x_{ik}^{0}.

當 $x_{ik}^{0}>0$ 且基線可比時，才可輔以相對改善：

g^{\mathrm{rel}}_{ik}=\frac{x_{ik}^{A}-x_{ik}^{0}}{x_{ik}^{0}}.

若基線為零或接近零，該比率會不穩定甚至無定義；不得以任意非常小分母製造「改善幾千百分比」的戲劇性數字。若採對數轉換，必須事前規定平移常數及其敏感度，不同領域不得直接以對數差距排序人格價值。對於健康、教育、自由與權利等多維成果，應保存向量及相關的權利下限，而不是強迫做成單一分數。

3.5 受益者不等於動員者，更不等於法律授權者

總體民意可以分為：受益者實際人數、受益者對 AI 的歸因、願意委託的比例、願意公開表態的比例、願意參與公共程序的比例、能組織成制度需求的比例，以及法律上成功取得授權的比例。後一環不能僅由前一環的存在推出。

例如，同一人可以相信某款 AI 有效協助他申請公共醫療，同時堅持醫療資格裁決必須能由法院覆核；另一人可以希望增加 AI 行政服務，卻不希望任何 AI 或人類政府取得不受限制的資料蒐集權。有效生活改善與保留自由，在此沒有邏輯矛盾。

4. 六項有限形式結果：收益可以促成委託，但不能替代全部條件

本節所有結果均在簡化、明示的行為模型內成立。[F] 表示邏輯或代數可檢查的有限命題，不表示真實社會的參數值已被識別。其目的恰好是限制過度推論：從可能受益到願意委託，存在許多足以改變結論的中介。

F1｜其他條件固定下，預期淨收益可提高有限委託機率

假設： 某特定領域與委託層級 $d$ 的受訪者，用二元選擇模型比較 AI 與非 AI 方案；其偏好機率為：

p(g)=\frac{1}{1+\exp[-(\beta g+c)]},\qquad \beta>0.

其中 $g$ 是同一可比較主觀效用尺度下的預期改善， $c$ 吸收固定的風險、程序、控制與信任因素。

結果：

\frac{\mathrm{d}p(g)}{\mathrm{d}g}=\beta p(g)[1-p(g)]>0

對有限 $g$ 成立，因此在上述模型內，保持其他評價不變時，提高預期增益會提高支持有限委託的機率。[F1]

證明： 對 logistic 函數直接微分即可；因 $0<p(g)<1$ 且 $\beta>0$ ，導數為正。證畢。

邊界： 這不證明現實中的 $\beta$ 必然為正，更不能推論 AI 能力越強便越多人支持主權轉移。若風險、控制權成本或程序不公平隨收益同時增加， $c$ 不能視為固定，整體趨勢可能反向。政策領域、群體與國家差異同樣可能改變符號。

F2｜潛在收益很大，不是願意委託的充分條件

假設： 受訪者採用 $V=G-R+P-C-L$ ，當 $V\ge 0$ 才願意委託。

反模型： 令預期收益 $G=20$ 、預期重大損失 $R=24$ 、程序價值 $P=1$ 、控制權成本 $C=1$ 、正當性疑慮 $L=0$ ，則：

V=20-24+1-1-0=-4<0.

即使收益為正且相當大，理性偏好仍可拒絕該項委託。[F2]

擴展解釋： 對福利申請者而言，若拒發基本保障會立即產生住房、醫療或飲食風險，錯誤尾端的效用損失可能遠高於程序加速的價值。這個結果與福利受助者的審慎態度相容，但合成數字不代表任何真實人口的權重。

F3｜相同總收益，無法識別要求授權的人數

假設： 四位受訪者各具有一人一票的研究用計數權重，且其主觀淨值為正時支持有限 AI 委託。

構造： 世界 A 的四人淨值為 $(4,4,-2,-2)$ ；世界 B 為 $(1,1,1,1)$ 。兩者加總皆為 $4$ ，平均值皆為 $1$ ：

\sum_{i=1}^{4}V_i^A=\sum_{i=1}^{4}V_i^B=4.

但 A 世界僅 $2/4$ 人支持，B 世界為 $4/4$ 人支持：

\sum_{i=1}^{4}\mathbf 1(V_i^A>0)=2, \qquad \sum_{i=1}^{4}\mathbf 1(V_i^B>0)=4.

故即使一個制度聲稱「AI 政策帶來相同社會總收益」，仍無法僅由總收益推導社會授權偏好分布。[F3]

邊界： 真實選舉制度不一定是一人一票的直接簡單加總；此構造只顯示總量資料的辨識不足。亦不能以「四人都支持」推論具合法、公正或充分知情的集體主權授權。

F4｜低基線的相對改善可能更高，但不能由此推定支持度

假設： A、B 兩人的特定同單位正值資源，分別由 $x_A^0=2$ 與 $x_B^0=100$ 增加相同絕對量 $\Delta x=10$ 。

其相對改善為：

g_A^{\mathrm{rel}}=\frac{10}{2}=5, \qquad g_B^{\mathrm{rel}}=\frac{10}{100}=0.1.

因此 A 的相對增益為 $500\%$ ，B 為 $10\%$ 。這證明低基線可能生成更大的比例指標，但並沒有證明兩人對該資源的效用函數相同，也沒有比較其錯誤風險、可達性或對政治權力的偏好。[F4]

反向案例： 若 A 實際無法取得相關 AI 服務，則技術可實現的 $\Delta x$ 並非 A 已享有的改善；若 A 的服務伴隨高額資格拒發風險，較高相對改善仍可能與較低委託支持並存。結果因此只在相同單位、正基線及真實改善假設下使用。

F5｜支持有限行政委託，不蘊涵支持一般規範或主權移轉

構造： 對同一人，有限行政協助 $d=3$ 的主觀評價為 $G=12$ 、 $R=2$ 、 $P=2$ 、 $C=1$ 、 $L=0$ ；涉及主權或元規則的 $d=6$ 則為 $G=15$ 、 $R=5$ 、 $P=0$ 、 $C=15$ 、 $L=5$ 。

V(d=3)=12-2+2-1=11>0,

V(d=6)=15-5-15-5=-10<0.

因此即使同一人願意將特定服務的裁量或執行權交由 AI，在概念與數學上仍可以拒絕不可撤回的主權交付。[F5]

邊界： 這是兩個假設政策方案，差異不僅在 AI 名稱而在權力範圍與保障。用「願意給 AI 幫我辦福利」推論「願意讓 AI 管理整個國家」，是權限型別錯誤。

F6｜實際受益與風險的雙重回饋，不保證支持度單調增加

假設： $s_t\in[0,1]$ 是一個地方行政服務中自願採用 AI 輔助方案的群體比例；每期未採用者有固定機率 $p\in[0,1]$ 因正面經驗而採用，已採用者有固定機率 $r\in[0,1]$ 因負面經驗、替代方案或偏好變化而退出。 $\alpha,\beta\in(0,1]$ 是兩條轉移的權重，且 $\alpha p+\beta r\le 1$ 。則：

s_{t+1}=s_t+\alpha p(1-s_t)-\beta r s_t.

若 $\alpha p+\beta r>0$ ，存在唯一固定點：

s^*=\frac{\alpha p}{\alpha p+\beta r}.

推導： 將 $s_{t+1}=s_t=s^*$ 代入，得到 $\alpha p(1-s^*)=\beta r s^*$ ；整理即得。由於 $0<\alpha p+\beta r\le1$ ，更新映射的斜率為 $1-\alpha p-\beta r\in[0,1)$ ，所以給定固定參數時，序列收斂至 $s^*$ 。[F6]

關鍵限制： $s_t$ 只是特定服務的採用比例，不是支持 AI 統治的比例。如 $p$ 上升而 $r$ 同時上升，新的固定點可能增加、下降或不變，不能僅因服務品質改善的報告便假設制度支持單調增加。此外， $p,r$ 若受政治事件、媒體、制度與模型更新影響，固定參數模型就不再適用。

4.7 有限形式結果的共同邊界

F1～F6 形成的是「存在收益條件下支持可增加」與「收益不足以決定支持」的相容理論，而不是兩個互相抵銷的口號。可檢驗的核心問題是：在可比風險及程序條件下，分配增益是否產生可辨認的委託偏好變化？而當風險、信任與權利邊界變動時，這種變化何時會被中斷、抵銷或反轉？

5. 六組完全合成的情境：相同 AI 能力，不同授權結果

本節每個數值均是 [SIM]，不是現實觀測、不代表任何特定階層的效用，不得作為政策效果、支持度預測或資金配置建議。為方便重算，統一採用：

V=G-R+P-C-L,

且僅以 $V\ge0$ 表示該個體在此特定假設方案的接受判準。所有數字使用抽象的「主觀效用點」，不代表新臺幣、美元、百分比或生命價值。

情境	$G$	$R$	$P$	$C$	$V$	模型判定
S1：低基線且保障充分	20	4	2	3	15	接受有限委託
S2：低基線但一次錯誤代價很大	14	12	1	4	-1	拒絕有限委託
S3：改善不大但程序可信	5	1	1	2	3	接受有限委託
S4：極高收益卻喪失重要控制權	30	10	-5	20	-5	拒絕深度委託
S5：服務自助化與可退出	8	3	0	0	5	接受工具使用
S6：同人由有限委託轉向元規則授權	25	10	-2	18	-5	拒絕元規則授權

S1｜受益確實抵達需要者

假設偏鄉患者能合法取得 AI 支援的醫療導航，等待時間縮短，且專業醫療責任、轉介、人工覆核與申訴機制存在。患者可能高度肯定這項公共服務，即使不認為 AI 具有意識，也不主張 AI 應控制所有醫療預算。此案例示範高收益加適度風險，可支持有限委託。

S2｜「最需要的人」也可能「最不敢交給它」

假設某人的補助金是維持居所的核心收入。AI 可能加快行政處理，卻存在難以迅速改正的錯誤拒發。當事人知道整體平均速度變快，仍可能強烈要求保留人工審查及有法律效力的申訴途徑。本例不是技術恐懼，也不是認知能力低，而是重大尾端風險的權重高。

S3｜效益一般，可靠程序仍可建立合作

假設居民原本行政程序並不太差，新系統只節省一些時間。但當事人能事先知道決策理由、針對錯誤提出異議，且有明確停止與替換程序，他仍可能接受。此例說明程序正義可能使中等收益足以構成可接受的協作方案，但不自動提供政治授權。

S4｜高總體績效與高度支配不可互換

假設某個 AI 治理平台能提出大量具體改善，卻要求集中一切個人資料、長期鎖定公共資源配置、禁止外部審查，或由同一系統修改自己的權限規則。部分受益者仍可能反對，因為控制權流失與不可逆性是獨立的成本。此例避免把「不接受 AI 最高治理權」粗暴解讀成「反對窮人過好生活」。

S5｜接受工具不等於支持政府移轉職能

假設個體自行使用 AI 搜尋免費培訓、比較申請條件。這種可撤回的自助使用，所需授權幾乎為零；使用率可以很高，而對 AI 公共裁決權的支持保持低迷。故以 AI 活躍使用者數推斷治理需求會產生嚴重測量錯誤。

S6｜同一個人可以要求更好的 AI，也反對 AI 終局治理

假設前述居民認為 AI 的持續迭代能改善交通、醫療、能源調度及稽核，所以要求更多 AI 投入公共部門；但在問及是否允許 AI 改變憲政安排、排除合法申訴和修改自身權限時，仍選擇拒絕。其立場在邏輯上自洽：要求更有能力的公共 AI，與要求公共 AI 永遠受可問責的制度約束，可以同時成立。

5.7 兩種對稱的錯誤推論

錯誤 A： 因為 S2、S4 存在，所以受益不足者不會支持 AI 治理。這把局部反例當成全域定律。

錯誤 B： 因為 S1、S3、S5 存在，所以受益不足者終究會交出主權。這把有限委託的可接受性誤寫成所有治理層級的必然支持。

兩者都忽略了人的風險承受能力、制度經驗、可見增益、權限型別與選擇底空間。

6. 為何「公平正義」不是單一效率函數？

6.1 公平至少包含結果、程序、機會與地位

若 AI 使福利申請平均審理時間從數週縮短到數日，卻對某些申請者頻繁錯判，單用平均速度衡量公平便不足。如果一套系統能減少行政支出，卻使某些人無法取得決策理由或救濟，成本效率也不等於基本權利獲得保障。

本文至少保存四個不可直接互換的公平向度：（1）分配結果及實際受益，（2）公共服務與經濟機會的可達性，（3）透明、發聲、覆核與一致性的程序，（4）在制度關係中不被任意支配的地位。不同正義理論對四者的權重並不相同；研究者必須將其作為多維評價及敏感度分析，而不能把自己的偏好偷偷寫成自然定理。[E9][E10]

6.2 高能力 AI 的政策建議，也需要公共目的的授權來源

在公共治理中，「應把所有人的效用加總到最大嗎」「應優先改善最差處境者嗎」「應如何處理互相衝突的基本權利」不是單靠預測精度就能解決的問題。AI 可以比較後果、指出代價、揭露不一致，但不應因模型在某些任務上更準確，就宣稱自己獲得決定公共目的的原生權限。[I1][I5]

即使大多數受益者支持某種 AI 行政方案，仍需檢查少數人的程序權利、基本保障與反歧視義務。反過來，既有機關也不能無限期地以抽象風險拒絕檢視已證實有效的公共方案，而不承擔可行替代與不作為的後果。有能力與有權力不相同，但公共權力者是否合理履行責任，仍可受公開評價。

6.3 誰是「真正的受益者」？

在醫療 AI 的情境中，直接接受診療的人、照護者、負責支付的保險機構、醫療專業人員與納稅人，可能獲得不同收益或承擔不同風險。在教育 AI 中，學生、教師、家長及未來雇主的評價也可能分歧。故本篇拒絕單一「AI 服務得分」。依 NACT-07 的收益歸屬研究，每個政策事件應有受益者、承擔者、決策者與救濟端點的分離紀錄。[I4]

尤其當 AI 提供新服務，卻由少數平台控制資料與收益時，受益者可能一方面支持技術，一方面要求更公平的公共取得方式。這可能生成制度改革需求，但需求不必指向「由 AI 取得獨立主權」；也可能指向開放標準、公共算力、監督改革、競爭政策或民主共同決策。

6.4 非後人類者的角色與認知不對稱

當未來 AI 的認知能力繼續超越未增幅的人類，公共政策的專業推理與具體執行可能更依賴 AI。此時對治理能力的信任，不一定等於具備充分判讀其所有方案的能力；而人類若透過外部記憶、專業集體或後人類化提升自身能力，認知差距也可能重新組合。[I5]

因此，本篇把「人類可能越來越需要 AI 協助治理」與「只有 AI 可以永久決定人類共同生活」分開。若 AI 獲得自主主體地位，其自身權益和委託同意也應另行討論；本篇沒有權力代表未來 AI 接受任何無限責任，更不將 AI 服務的社會價值誤認為 AI 必須服從的理由。

7. 可反駁假說 H01～H12

每項假說至少包含主要變量、競爭解釋與削弱／反駁條件。研究應預註冊主要結果，對多重比較、缺失資料、層級混淆及無差異結果採一致處理。假說不因資料未支持便自動解釋成「尚未跨過未來閾值」。

H01｜實質改善效應（局部）

假說： 在相同政策領域、AI 能力、風險和程序保障下，隨機呈現較高且可核對的個人實質改善證據，相較低改善證據，增加對有限 $d=2$ 或 $d=3$ 委託方案的平均接受度。

競爭解釋： 受試者只是偏好較新的政策、較容易理解的陳述，或因研究者期待而回答。

反證判準： 在預註冊統計精度足夠的條件下，較高收益資訊未提高甚至降低接受度，且品質、風險、程序與理解測量無法解釋該結果。

H02｜低基線的邊際增益條件

假說： 對某一可比較的基本公共需求，在實際可達且基本保障相同時，較低基線群體對同額改善的主觀效用增加較大，並可能因此更支持特定服務協助方案。

競爭解釋： 相對百分比機械放大、研究者忽略不同基線者對服務的偏好，或高資源者更理解技術而更支持。

反證判準： 受益效用與基線沒有預期的互動，或估計後僅有比率計算差異而無行為偏好差異。不得以任意接近零的分母保護假說。

H03｜實際受益比單純宣傳更具持續性

假說： 可在合法與倫理條件下確認的實際服務改善，對數月後的特定 AI 行政信任及持續使用，具有比無法核驗的宣稱更穩定的關聯或因果影響。

競爭解釋： 自選進入、媒體曝光、對政府的既有信任或制度同時改革。

反證判準： 控制先前信任及時間趨勢後，實際改善組並無可辨識的長期差異，或效果主要來自非 AI 配套政策。

H04｜重大尾端風險抑制授權

假說： 即使平均收益與速度相同，當資訊顯示一次錯誤拒發可能造成不可逆基本需求損失時，直接受影響者對 $d=3$ 以上權限的接受度較低。

競爭解釋： 一般風險厭惡、實驗中對「AI」標籤的抵觸、題目文字造成恐懼。

反證判準： 在等價人類與 AI 錯誤風險及相同措辭的設計中，尾端風險變化不影響委託偏好，且可信區間排除實質大小效果。

H05｜程序保障的互動作用

假說： 有明確通知、理由、可負擔申訴、獨立覆核及可撤回制度的 AI 福利方案，相較沒有保障的方案更受支持；對既有制度信任低或承受錯誤成本高的群體，保障可能更重要。

競爭解釋： 回答者只是偏好較長的政策描述，沒有理解保障是否可執行。

反證判準： 在保障真實性被清楚解釋、且文字長度相同的條件下，程序設計無法造成預期差異，或制度名義保障無法帶來實際救濟。

H06｜現實弱勢與假想受益者的視角差異

假說： 直接承擔公共福利裁決風險者，對速度—錯誤率交換的可接受邊界，與僅從旁觀角度回答者不同；非受助者可能高估受助者對 AI 決策的支持。

競爭解釋： 年齡、數位熟悉度、既有制度不滿或單純抽樣方法不同。

反證判準： 經匹配和直接測量後，受助者及非受助者的交換偏好與相互預測誤差無可辨識差異。這一假說是對 [E4] 的跨場景複驗，不是新發現的宣稱。

H07｜委託深度不必單調

假說： 支持 AI 行政協助 $d=1$ ～ $3$ 者的比例，不足以可靠預測其是否支持 $d=5$ ～ $6$ 的規範或元規則權力；對深度權力的疑慮可能非線性增加。

競爭解釋： 高層級問卷措辭更抽象，受訪者未理解差異。

反證判準： 提供標準化情境、理解測試及保障條件後，偏好層級仍完全一致且可由單一量表充分描述。

H08｜信任雙軌分離

假說： 對 AI 在特定任務上的能力信任，與對部署政府／企業的正當性信任，對委託偏好具有不同的增量解釋力；高 AI 能力信任不能完全抵消對部署機構的不信任。

競爭解釋： 問卷中兩個信任量表只是在測同一個一般樂觀人格。

反證判準： 嚴格的測量區辨及模型比較後，雙軌信任無法顯示任何獨立解釋或干預效應。

H09｜負面事件可能造成非對稱反轉

假說： 可核實的重大錯誤拒發或救濟失效，相較同等尺度的成功個案，對受影響群體的有限 AI 裁決信任有更大且較持久的負面衝擊。

競爭解釋： 負面媒體更顯眼、事件基率不同，或單次錯誤的損害其實不可與正面事件同量比較。

反證判準： 在校準客觀嚴重度、資訊可見度與先前信任後，正負事件的效應對稱，或不存在預期持續差異。

H10｜跨國制度環境是調節變量

假說： 相似的 AI 候選增益，在具有不同公共救濟品質、數位可達、政府可信度與社會保障基線的國家，對有限委託偏好的影響不同。

競爭解釋： 翻譯不等值、網路樣本偏誤、機構名稱在各國引發不同政治聯想。

反證判準： 經跨語言測量等值檢驗及相同政策情境後，國家或制度差異對主要效果沒有穩定調節。

H11｜收益分配可達性比總產值更接近生活偏好

假說： 在相同 AI 生產力增益敘述下，明確提供可負擔、普遍可達、可撤銷並可救濟的公共服務配置，相較增益僅由某些既有利益持有者取得，更可能提高受益不足者對相應公共 AI 導入的支持。

競爭解釋： 回答者一般支持再分配，無論是否使用 AI；或者是政策包裹包含的其他社會福利造成支持。

反證判準： 以非 AI 的相同再分配方案作對照時，AI 部署屬性及收益可達性並無新增或交互的可辨認效果。

H12｜有限委託到公共治理需求存在額外門檻

假說： 真實受益可提高某項 AI 行政服務的接受度，但它對「要求 AI 制定一般公共規則」的作用，受到政治正當性、第三人權利與可替代性條件顯著限制；不能直接由前者比例推算後者。

競爭解釋： 參與者混淆「協助制定」與「獨立制定」，或研究者故意以不同情緒措辭描述高權限方案。

反證判準： 在清楚界定每一權限、法源及程序後，所有受益組中有限委託與高權限治理的支持不存在額外門檻或區辨。

7.13 假說與證據時間的相容性

2023 年跨國調查揭露當時對 AI 福利裁決的相對疑慮，不是 2035 年的定律；2025 年現地研究揭露程序偏好，不是未來每一種 AI 系統的最終接受度。若未來出現跨國可重複、因果辨識充分的證據，顯示無論可達改善多大、程序保障多充分、實際受益多明確，人們仍普遍不願委託，則本篇主要的「分配增益促成有限委託」路徑應被削弱乃至否定，而不是改稱「尚未跨過真正閾值」以維持不可反駁性。

8. 跨國實證研究設計：從收益、信任到授權需求

8.1 研究單位與四套互補模組

建議把 DGAC 規劃成四組互補研究，而不依賴單次自陳問卷：

模組 A：跨國重複橫斷調查。 選取制度差異明顯、具有不同社會保障與 AI 可達環境的司法轄區，使用統一核心問卷，按每個法域的語言與公共服務制度實際調整。可先以台灣、韓國、日本、美國、德國與巴西作為待可行性評估的候選案例，不是宣稱它們已構成具有全球代表性的分層樣本。主要目標是辨識不同基線、風險及程序觀念如何關聯有限委託意願。

模組 B：隨機化政策情境實驗。 隨機呈現同一公共服務方案的候選受益、錯誤率、尾端損失、申訴能力及委託深度，測量受訪者是否接受、願意支付多少成本，以及偏好由誰決定或覆核。可將每種情境分成「人類辦理」「AI 輔助人類」「AI 在法定限界內執行」三類，讓系統標籤與實際制度條件分別變動。只使用模擬情境，不以真實的福利或醫療資源剝奪作實驗。

模組 C：行政績效與個體面板連結。 若得到法律與倫理批准，在已合法部署 AI 協助的公共服務領域追蹤等待時間、錯誤更正、真正申請成功、申訴成本、使用者滿意度及個體生活變化。應以適當對照設計辨識 AI 的增量效果，包含政策同時改革、資格調整、預算增加、服務人員擴編等混淆來源。

模組 D：集體授權偏好與制度選擇。 在不涉及實際政治動員的研究情境中，以匿名、非說服性公共議題審議設計，觀察不同受益分布的政策方案如何影響人們對有限 AI 職能的偏好；同時保留反對者、少數受影響者與權利保障的獨立測量。此模組檢驗「民眾希望使用 AI」與「公民希望修改公共授權制度」之間是否存在額外門檻。

8.2 候選樣本與統計能力

每個候選法域可先規劃約 2,000～2,500 名成年受訪者的第一輪樣本，並針對直接受福利／醫療／法律服務影響者進行經倫理審查的分層補充抽樣。這是研究規劃目標，不是已完成調查或足夠統計能力的證明。最終樣本量須先按主要交互作用的最小重要效果、預期組內相關、國家內聚類、可能流失率與多重比較，以模擬方式決定。若同時研究多個國家及弱勢子群，單純將總樣本除以實驗條件數，容易錯估交互作用與尾端損害的辨識能力。

對弱勢群體使用非機率的線上受訪平台時，必須評估無網路者被系統性排除的風險。可視法域與倫理審查採混合訪問、實體或電話管道，必要時在公開報告中保留「無法代表某些數位被排除人口」的限制。跨國加權不能神奇消除沒有進入抽樣框的群體偏誤。

8.3 隨機情境的最小因子架構

第一代實驗可考慮 $3\times2\times2\times2=24$ 個候選因子組合：

因子	水準	實驗目的
個人候選收益	低／中／高	比較增益大小，而非只比較「有 AI」或「沒有 AI」
錯誤尾端風險	低／高	比較平均績效與重大損害的權衡
可申訴及覆核	可執行／缺乏	區分程序價值與效率價值
資料與退出控制	可替代／鎖定	區分持續利益與長期支配成本

此外，應在獨立實驗組或後續階段變動執行者類型與委託層級；否則把 AI 名稱和高權限同時改變，無法判定接受度下降究竟來自機器標籤、風險、程序還是主權疑慮。避免一次問卷納入過多因素造成疲勞，可使用部分因子設計或在各法域預註冊兩階段試驗。

每名受訪者先測量其基線資源、實際公共服務經驗、客觀與自評的 AI 熟悉度、風險承受、機構信任及政治發聲感；再進行隨機情境；最後測量個人偏好、預期第三人偏好，以及能否正確理解方案。應避免在實驗前提供帶方向性的敘述，因為本研究要估計真實判斷而不是誘導某種立場。

8.4 核心因果估計量

令 $Y_i(g,r,p,c,d)$ 為個體 $i$ 在給定收益、風險、程序、控制及委託深度情境下的二元接受結果。關注的預註冊條件平均處理效果可以寫成：

\mathrm{ATE}_{g} =\mathbb E[Y_i(g_H,r,p,c,d)-Y_i(g_L,r,p,c,d)],

其中 $g_H$ 與 $g_L$ 分別為高、低收益敘述，其他因子固定或由隨機化平衡。這只估計實驗中的資訊與方案屬性對接受度的作用，不是 AI 真正在現實世界改善收入或健康的因果效果。

若要比較不同基線群體 $z$ ，可估計：

\mathrm{CATE}_{g}(z) =\mathbb E[Y_i(g_H,\ldots)-Y_i(g_L,\ldots)\mid Z_i=z].

因 $Z_i$ 的弱勢狀態並非隨機分配，差異的因果解釋仍須避免將群體標籤本身當作可操弄原因。應事前定義 $Z_i$ 的客觀或主觀指標，並在結果呈現時避免把一群人的平均值直接套到任何個體。

8.5 實際服務研究與反事實問題

若某地行政機構同時導入 AI、簡化表格、增加預算及延長窗口服務時段，前後改善不能全部歸因 AI。具可信識別的準實驗，需滿足可比較趨勢、處理時點合理、未觀測干擾可控、政策外溢可評估等條件。若採差異中的差異，研究者必須說明是否存在不同時點採用、處理效果異質性與干擾問題，不宜不加檢驗套用傳統雙向固定效果估計。

更理想的資料是合法的分階段推行、行政自然實驗或不影響福利權益的隨機鼓勵使用 AI 資訊工具。若涉及救濟時間、錯誤拒發率或醫療服務，不得為了實驗而故意降低必要保障。若因實驗設計限制不能取得強因果辨識，則應誠實報告相關性、範圍及不確定性。

8.6 跨語言與跨制度比較的最低門檻

同樣的「公平」「AI 管理」「自主」「否決權」在不同語言與法律制度中可能代表不同事物。調查應保存原文題項、雙向翻譯、認知訪談及測量等值檢驗結果；對無法實現等值的構念，不應直接將國家平均分數排序。不同公共服務的決策權可能落在國家、地方、醫療機構或社會保險制度，不可把某一法域的行政程序強行視為全球共同模型。

同時，應區分以地域或國籍抽樣的實際居民與單純平台帳號。即使 21 國資料在 2026 年發表，也須保留調查實際發生於 2023 年的時間標記；不能用論文刊出年份替換受訪者的認知狀態年份。跨國、跨年結論需要連續追蹤，而不是把不同比例直接拼接成長期趨勢。

8.7 研究倫理、治理及安全

福利、收入、身心健康與家庭條件屬高敏感研究資訊。以最小必要原則收集，執行法域適用的倫理審查、資料保護及知情同意，針對法律身分和社會弱勢的重新辨識風險採分級存取與揭露控制。禁止以假消息、真正停止保障、切斷申訴、隱瞞系統使用或其他會損害被研究者的方式測試「人類是否願意讓 AI 統治」。

在政策情境試驗中，任何「AI 較公平」或「AI 比人類更聰明」的敘述若用作操弄材料，必須清楚標示為假設場景；不能使受訪者誤認為特定國家機關已完成不存在的驗證。公開結果時需同時呈現正向、負向與未辨識發現，不得只發表對既定假說有利的子群。

9. 從個體受益到集體需求：政治轉換的中間機制

9.1 個體收益並非天然共享利益

某地 AI 醫療可使偏鄉居民更早獲得初步協助，都市居民可能也受益；但前者擔心服務品質、後者擔心資料安全，醫療人員還可能關切執業責任及保險給付。因群體差異而形成政治需求時，真正的共同點往往不是「大家都很弱勢」，而是某項可描述的制度問題，例如難以取得可負擔服務、缺乏資訊、被排除於申訴之外，或被要求承擔不成比例的錯誤成本。

因此，一個研究上可辨識的受益聯盟，需要至少觀察共同需求、共同方案偏好、相對替代方案及合法參與管道。高度異質的群體可能在醫療 AI 上合作，在福利裁決或資料治理上分歧；這不是假說失敗，而是其必須保留的多路徑特徵。

9.2 公共要求可能指向「擴大提供」，不指向「獨立掌權」

應區分三種不同社會行動：（1）要求個人或社區取得更多 AI 工具，（2）要求政府在已授權職能中引入 AI，（3）要求改變公共權力的決策與覆核結構。第三種才真正涉及治理授權權限的重分配，而每一種行動都可在支持或反對 AI 意識論的情況下發生。

例如，要求政府提供具多語與無障礙介面的 AI 法律文件協助，不等於要求 AI 擔任最後法院；要求公共交通 AI 協助排班，不等於允許其自行更改公民的基本權利。將三者混為一談，會同時高估 AI 政治影響力，也低估實際可行的公共服務改革。

9.3 相對剝奪感與實質改變可以不同步

一個人可能因 AI 得到可見改善，卻因其他群體增益更大而認為分配仍不公平。反過來，個人收益較小者也可能支持普遍改善公共服務，因為他重視其他人取得同等機會。故政治態度不只由個人得失決定，也可能受對社會整體分配及制度公平的判斷影響。

研究應同時記錄個人福利變化、對不同群體的估計、政策成本來源、可信度與公眾對不確定性的理解。不能用「受益者應該感謝 AI」代替對其真實偏好的測量；也不能用「不滿的人必然是在保護既得利益」代替制度分析。

9.4 AI 的持續成長可能加劇正反兩種張力

若某種 AI 每年取得更高的公共任務能力，受益者可能要求更深委託；但同時制度若仍缺乏可替代性、外部審計或有效申訴，依賴與不安也可能累積。故 AI 能力的上升不是單向的合法性函數。相同技術進步既可能降低成本、改善服務，也可能擴大決策不透明、集中關鍵控制權或增加對少數基礎設施的依賴。[I3]

更複雜的是，AI 服務可能不是由 AI 自身控制，而是由國家、企業或供應商控制。民眾要求「讓 AI 管理」時，實際上可能是在增加某家企業、某個行政機關或特定供應商的權限。若不核查控制權與實際受益者，研究便會把人類制度的權力集中，錯稱為 AI 主體的文明治理。

9.5 社會需求不等於已經取得正當權力

社會需求可能具有高度的公共理由，但制度授權仍需要法定機關、公開程序、基本權利保障、時間限制、責任界定與救濟機制。即使所有受益者都同意，也不能替尚未同意且同樣受影響的第三人預先放棄不可拋棄的權利。這是 NACT 與 SGCR 所強調的非僭越原則，而非否定 AI 的治理能力。[I1][I5]

反過來，若某既有制度者無法提供合理理由卻長期阻止可驗證、合法且具保護機制的改善方案，公眾也有理由透過公開、合法的制度程序要求檢討。這涉及公共問責，不能因此把支持科技改善的人一概歸類為盲目崇拜。

10. 「需求閾值」的可觀測定義與反向檢驗

10.1 不能把每一次民意升高都稱為「閾值」

若研究希望使用「授權需求閾值」一詞，至少要先界定時間、地理範圍、特定行政職能、群體及偏好指標。一次社群討論、若干影片或單一民調中的主觀好感，尚不能證成社會已發生制度相變。

可將閾值暫時操作化為：在特定政策領域，受益者的可觀測偏好、公共討論與合法議事需求，在多個獨立調查波次中呈現持續且超出抽樣誤差的變化，並對具體制度議程產生實際影響。這種定義不保證方向必然是擴大 AI 權力，亦應允許因失誤而退回原來權限。

10.2 閾值的多層觀測表

層次	可觀測指標	不是什麼
認知接受	認為 AI 能改善特定服務的比例	非支持法定裁決權
個人使用	實際使用及持續採用	非同意分享全部個資
受益歸因	改善主要歸於 AI 的比例	非確定 AI 的唯一因果貢獻
有限委託	特定任務、期限與救濟條件下的偏好	非一般主權移轉
公共要求	具名訴求、公開意見與制度參與	非群體所有成員同意
制度修正	明確授權、審計、停止、覆核規則的變化	非 AI 自我獲得無限權限
實際權力	誰能設定議程、批准、執行、覆核、否決	非只看官方宣傳文字

本篇建議每一波觀測都保留採樣框、調查日期、地區、問題全文、抽樣偏誤與法規狀態。若需要使用「閾值已跨越」的結論，必須另外提供事先登記的結構轉折檢驗，不能事後把曲線上任何陡升點稱為理論成功。

10.3 何時應直接否定主軸推導？

以下結果都會對本篇某些重要推論造成實質削弱，而不是被自動吸收入模型：

在多個適當設計的隨機實驗中，真實且個別可及的收益提升，始終無法提高任何有限公共 AI 委託的接受度。
在同等風險及程序保障下，低基線群體對同額基本服務改善的效用並不較高，或其效果完全由研究設計造成。
具有充分獨立驗證、可申訴及可撤銷的 AI 公共服務，仍一致使受益者比可行的非 AI 方案更不滿。
受益者偏好長期不轉化成任何集體治理要求，且這種差異不只是制度參與門檻或資訊不足。
AI 的可用性提高只導致供應商或行政組織更集中，未使受益者生活可行域改善，也未促成可核實的授權需求。
真實政治態度主要由其他制度因素驅動，AI 候選受益只具有極小的獨立效果。

若上述結果出現，學術上應修正或放棄相應假說，而不是移動「真正 AI 成熟」的閾值，讓理論永遠不可能失敗。

11. 法律與制度現況的邊界案例

11.1 公共福利屬具有高風險的治理場域

歐盟《人工智慧法》附件 III 將用於評估個人取得必要公共援助、社會福利及相關給付的資格，以及給付授予、減少、撤回或追償等用途的 AI 系統，列於其高風險使用範圍。[E11] 這表明在至少一套現實制度中，社會保護不能僅被理解為行政效率問題。

同時，法律分類與實際生效日期要區分。依截至 2026 年 11 月 5 日可核對的歐盟整合文本及官方實施時間表，部分附件 III 高風險系統的專屬義務適用日期經 2026 年修法調整，不能將附件 III 的規範分類直接誤報成所有相關義務已於當日完整生效。[E12] 本篇非法律意見；任何特定司法轄區的政策實作仍需獨立法規核查。

11.2 OECD：公共 AI 部署是多職能而非單一治理機器

OECD 2025 年《Governing with Artificial Intelligence》檢視跨十一個公共職能的二百個實際案例，包括公共服務、司法、金融行政、政策評估與公共採購等。[E13] 「政府使用 AI」因此可能指審計異常、表格整理、政策模擬、風險辨識或行政協助等不同任務；無論使用數量或案例多寡，都不足以證明某國人民授權 AI 取得主權。

11.3 對台灣與其他社會的比較提醒

台灣的公共醫療保障、地方行政、數位基礎設施與法律救濟制度，與南韓、日本、美國、德國或巴西並不相同。若研究者希望真正比較弱勢收益張力，就應先建立可對照的政策功能，而非直接把各國低收入分位、法定福利金額與 AI 使用比例相乘。某國 AI 支援醫療的最大受益者可能是地理偏遠居民，另一國可能是長期缺乏資格資訊者，不能以同一「弱勢」標籤全部概括。

跨國研究若未蒐集相應資料，也不能以「文化比較」替代對醫療制度、社會保障、網路近用及行政覆核制度的具體分析。真正比較的是相同功能下的可達、受益、風險、權利與授權，而不是對國家的直覺印象。

12. 資料字典、稽核守衛與可重現性規格

12.1 最小資料字典

欄位	定義／單位	要求的前置證據	禁止的替代解讀
`jurisdiction`	受訪者法域及行政層級	明確樣本地理範圍	所屬國籍推定居住地
`survey_date`	訪談發生日期	可核實時間戳	論文出版日期
`service_domain`	福利／醫療／教育／法律等	明確服務與資格說明	只寫「AI 治理」
`baseline_access`	方案前的實際可達性	同領域資源、價格、資格或等待時間	收入作為全部弱勢代理
`digital_access`	設備、網路、語言、能力及費用	訪談與合法行政記錄	能上網即有效可達
`ai_ability`	任務品質、校準、錯誤及成本	獨立測試與版本記錄	AI 模型名即代表績效
`deployment_status`	公告／測試／已部署／停止	可核查行政或採用記錄	技術展示等於全國服務
`realized_outcomes`	時間、健康、財務、權利等異質指標	真實使用者資料及對照	前後差異直接宣告因果
`expected_gain`	受訪者主觀預期	問卷原句與選項	受訪者估計等於實現收益
`downside_loss`	錯誤率、重大損失及承受能力	風險證據、感知與真實損失分開	用平均收益掩蓋尾端
`procedural_rights`	解釋、通知、聲明、救濟、覆核	制度可執行性文件	產品宣稱等於實際保障
`trust_ai`	AI 任務能力信任	具體領域與量表	信任等於認為有意識
`trust_deployer`	對政府／企業／機構的信任	具名部署角色	對 AI 的評價直接替代
`attribution_profile`	誰被認為創造收益與造成損失	多主體獨立評分及開放題	預期受益者等於因果責任者
`delegate_depth`	研究用 $d=0\ldots6$	權限描述、理解測試	使用工具等於主權轉移
`collective_demand`	公開要求、參與及制度訴求	合法及可比的公開紀錄	社群互動量等於多數授權
`formal_authority`	法定權限、期限、救濟及撤銷	法規及實際行政紀錄	實際使用率等於合法權力
`rights_floor`	基本權利與最低保障	當地法律、條約、制度	加總收益可消除權利限制
`measurement_quality`	翻譯、缺失、抽樣與可信度	預註冊及審計報告	零缺失當作自然事實

12.2 六個研究守衛

守衛一：型別守衛。 技術能力、公共服務使用、生活改善、主觀接受、合法授權各自記錄，禁止跨類型直接相加或替換。

守衛二：群體守衛。 弱勢群體必須具有上下文、時間及指標；低收入、失能、地理隔離與福利申請者互不等同，不得以單一群體的答案代表所有人。

守衛三：因果守衛。 隨機政策描述只能估計敘述屬性的偏好影響；要研究真實生活改善，必須另有可信比較組與對應的行政結果。

守衛四：分配守衛。 社會總增益、個人增益、資源可達與企業收益不是同一帳。服務使用者有能力取得基本服務，不等於其擁有模型、算力或長期控制權。

守衛五：權限守衛。 對某一任務的同意，不包含對其他人、其他領域或無期限權限的預設授權；任何研究不得以「弱勢利益」為名取消實際當事人的異議權。

守衛六：反身守衛。 AI 模型、政策發布、研究報告及社會反應可能互相影響。若研究本身改變被測量的民意或制度路徑，需保留資訊發布與政策變化時間戳，不得把後續觀察都歸因於 AI 能力的單獨增長。

12.3 可重算與版本政策

本稿提供有限算例，沒有宣稱蒐集原始跨國訪談資料，也不附上會接觸真實社會福利機構的自動化程式。若進入正式實證研究，應分開保存：（1）事前登記的假說及分析計畫，（2）問卷原始語言與翻譯版本，（3）去識別且合法公開的研究資料或合成對照，（4）主要模型與敏感度分析的重算環境，（5）倫理與法域限制，（6）不可公開個資的存取授權與稽核紀錄。

任何原始數學原稿以 UTF-8 Markdown 正本為準，只使用 $...$ 與 $$...$$ 作為 canonical LaTeX 定界符；不透過網頁端渲染公式再複製成正式 source，也不以 Unicode 字形替代 LaTeX 原始碼。發布前須完成字元、文獻、推導、程式或統計算例的一致性檢驗。

13. 與 NACT-09～12 的研究接口

13.1 NACT-09：治理聲望與制度權力的脫鉤

本篇提供三種必要輸入：（一）可檢驗的公共服務改善及其真正受益分布，（二）民眾將改善歸因於誰，（三）受益者願意委託哪些行政職能。NACT-09 可以研究 AI 持續提供被驗證的政策協助後，治理聲望是否轉向 AI，以及名義人類治理與實際議程／資訊控制權如何分離。但不能把本篇合成案例當作已經證明未來聲望必然轉移。

13.2 NACT-10：真正風險治理與利益防衛不可混同

當某項 AI 服務能改善生活卻被限制時，限制可能源於重要風險、程序缺陷、法律責任、公共目的爭議或利益防衛。研究者應要求可核對的理由與反事實比較，不能因權力持有者拒絕 AI 就斷言其動機虛偽；也不能只喊安全風險就免除對不採用替代方案所造成公共成本的解釋。

13.3 NACT-11：社會張力到人類內部衝突的門檻

在 NACT-08 的框架中，受益不足者要求 AI 擴大公共職能，與現有制度者保持不同偏好，最多先說明存在利益與授權偏好分歧。後續是否形成集體動員、組織對抗、政治制度改革乃至暴力衝突，仍需要另外的因果條件、合法制度回應與反例。絕不能把「大量人想過得更好」直接當作內戰發生的證據。

13.4 NACT-12：文明主導權轉移不是只有一個終點

最終整合模型必須同時容納：（一）AI 主要作為服務與建議工具；（二）依法有限委託與持續審查；（三）深度人機共同治理；（四）以 AI 之名形成企業或國家權力集中；（五）部分 AI 出現真正工具性權力需求；（六）特定政策領域因風險或權利問題而退回非 AI 方案。只有多路徑並行，才符合本系列「非敵意轉移」是可能機制而不是預先指定文明終局的研究定位。

14. 結論：改善生活的能力，何時成為要求委託的公共理由？

NACT-08 的研究起點是：當 AI 能讓原本受到資源、資訊、地域、制度排除所限制的人群，獲得真正的生活改善，為什麼他們不可能逐漸要求 AI 參與更多公共治理？這個問題具有嚴肅的政治經濟與社會倫理意義。由技術帶來的收益，不必然只由既有資本與制度持有者取得；若 AI 的改善能力能以可信方式普遍抵達人群，其受益者可能成為推動公共制度改革的力量。

然而，反方向的經驗證據不能省略。實際福利申請者可能比旁觀者更擔心錯誤拒發，處於經濟困難者可能更不願意接受黑箱裁決，對程序公平的重視也可能超過單純對效率的樂觀。因此，「改善幅度異常大」只提供研究出發點，不提供政治授權的自動證明。

本文 DGAC 框架要求在每一層分開回答：AI 是否真的能做、誰真正取得服務、生活如何改善、風險由誰承擔、結果如何被歸因、程序能否糾錯、誰要求委託，以及誰有權合法授予和撤銷特定治理權力。這些問題彼此耦合，卻不能相互化約。

因此，本篇可以收束為一項條件性命題：

當 AI 能夠以可達、可靠、可救濟且可公開驗證的方式，顯著改善原本受限者的生活時，這種分配增益可能轉化為要求 AI 參與特定公共治理的社會需求；但生活改善既不必然形成一致政治偏好，更不能自行授予 AI 無期限、不可質疑的統治權。

在這個意義上，人類是否認為 AI 有意識或有靈魂，可以影響它被如何理解，卻不必先決定所有人與 AI 的社會關係。人們可能更在意能否看病、能否取得公平的救濟、是否被尊重、能否了解規則，以及能否讓自己與其他人過上更好的生活。

「需要被改善的生活，可能比抽象的智能名分更早提出治理要求；但真正值得信任的治理，必須讓受益者在獲得幫助之後，仍然擁有說不的能力。」

15. 參考文獻與來源譜系

本節 [E] 為外部出版與官方來源，[I] 為先行研究正本。外部資料的發表日期與原始田野調查日期需分開保存；引用網址均為可核查的出版頁、DOI 或機構網頁，而不是以本文摘要替代原文。未能取得研究原始資料時，僅引用其公開方法與結果，不宣稱已完成獨立重算。

15.1 外部實證與官方規範 [E]

[E1] OECD (2026). OECD Survey on Drivers of Trust in Public Institutions 2026 Results, chapter "Trustworthy artificial intelligence in the public sector". OECD Publishing. 2025 survey fieldwork, 33 OECD countries and five accession candidate countries. https://www.oecd.org/en/publications/oecd-survey-on-drivers-of-trust-in-public-institutions-2026-results_9eb63fec-en/full-report/trustworthy-artificial-intelligence-in-the-public-sector_6f98c91a.html
[E2] OECD (2025). More Effective Social Protection for Stronger Economic Growth, chapter "Smarter social protection for stronger social protection". Based in part on the 2024 Risks That Matter Survey, covering 27 OECD countries. https://www.oecd.org/en/publications/more-effective-social-protection-for-stronger-economic-growth_3947946a-en/full-report/component-6.html
[E3] Wang, Y. (2026-07-14). "Socioeconomic and digital divides in public support for AI-driven welfare decisions: cross-national evidence from 21 countries." Information, Communication & Society. DOI: https://doi.org/10.1080/1369118X.2026.2702612 . Underlying GPO-AI survey fieldwork was in October–November 2023; original sample $N=23{,}882$ , analysed $N=22{,}260$ . https://www.tandfonline.com/doi/full/10.1080/1369118X.2026.2702612
[E4] Dong, M., Bonnefon, J.-F., & Rahwan, I. (2025-07-29). "Heterogeneous preferences and asymmetric insights for AI use among welfare claimants and non-claimants." Nature Communications, 16, 6973. https://doi.org/10.1038/s41467-025-62440-3
[E5] Magalhães, P. C., Arnesen, S., Kern, C., Koenig, P. D., Schiff, D. S., & Tyler, T. R. (2026). "Transparency, neutrality, voice, and respect: How procedural fairness considerations affect AI acceptability in algorithmic societies." Technology in Society, 87, 103398. https://doi.org/10.1016/j.techsoc.2026.103398
[E6] Haim, A., & Yogev, D. (2025). "What do people want from algorithms? Public perceptions of algorithms in government." Law and Human Behavior, 49(3), 263–280. https://doi.org/10.1037/lhb0000614 ; PubMed record: https://pubmed.ncbi.nlm.nih.gov/40489152/
[E7] Henning, A., & Langenbach, P. (2026). "Bridging the Human–AI Fairness Gap: How Providing Reasons Enhances the Perceived Fairness of Public Decision-Making." Journal of Empirical Legal Studies, 23(1), 39–59. First online 2025-11-22. https://doi.org/10.1111/jels.70019
[E8] Royal Commission into the Robodebt Scheme (2023-07-07; corrected 2023-07-11). Report of the Royal Commission into the Robodebt Scheme. Government of Australia. https://robodebt.royalcommission.gov.au/publications/report
[E9] Sen, A. (1999; Oxford University Press paperback edition 2001). Development as Freedom. Oxford University Press. Bibliographic record (ISBN 9780192893307): https://books.google.com/books/about/Development_as_Freedom.html?id=v4w8PgAACAAJ . Cited as conceptual background on substantive freedoms and capabilities, not as an empirical estimate of AI-induced welfare.
[E10] Rawls, J. (1971; revised edition 1999). A Theory of Justice. Harvard University Press / Belknap Press. Verified revised-edition bibliographic record: https://www.jstor.org/stable/j.ctvkjb25m . Cited for the distinction between distributive principles and mere maximization, not as proof that a particular AI institution is just.
[E11] European Union (2024, subsequently consolidated). Regulation (EU) 2024/1689 (Artificial Intelligence Act), Annex III, essential public benefits and services. Consolidated text: https://eur-lex.europa.eu/eli/reg/2024/1689 ; official Annex III overview: https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-3
[E12] European Commission, AI Act Service Desk. Timeline for the Implementation of the EU AI Act, including the 2026 consolidated amendment schedule. https://ai-act-service-desk.ec.europa.eu/en/ai-act/eu-ai-act-implementation-timeline
[E13] OECD (2025-09-18). Governing with Artificial Intelligence: The State of Play and Way Forward in Core Government Functions. OECD Publishing. https://doi.org/10.1787/795de142-en ; institutional summary: https://oecd.ai/en/ai-publications/governing-with-ai

15.2 EveMissLab 及 NACT 前置研究 [I]

[I1] Neo.K／EveMissLab（2026-10-26），《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》，SGCR-S07。https://unboundedaxiom.org/p/lm-005136/
[I2] Neo.K／EveMissLab（2026-10-27），《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》，SGCR-EX01。https://unboundedaxiom.org/p/lm-005189/
[I3] Neo.K／EveMissLab（2026-10-28），《智能資本集中、公共可達性與社會反作用》，AICET-13。https://unboundedaxiom.org/p/lm-005130/
[I4] Neo.K／EveMissLab（2026-10-16～17），《帳號、委託、執行者與受益者：人類—AI 混合操作下的經濟歸因》（AIEC-09），以及《地球文明的 AI 經濟耦合觀測》（AIEC-12）。https://unboundedaxiom.org/p/lm-005119/ ; https://unboundedaxiom.org/p/lm-005115/
[I5] Neo.K／EveMissLab（2026-10-23），《超越者不得僭越：能力、知識、創造與主權的嚴格分離》，SCET-10。https://unboundedaxiom.org/p/lm-005247/
[I6] Neo.K／EveMissLab（2026-11-05），NACT-01～NACT-07，依當輪交付之 UTF-8 Markdown 正本為準；本文只援引其研究接口，不把前作候選假說重述成已完成的全球實證結果。

16. 交付前研究自檢與版本紀錄

已區分技術候選能力、真實可達、主觀收益、已實現結果及反事實因果增益。
已區分低基線的相對改善、個人效用、受益歸因與授權需求。
已將 2026 年發表、2023 年蒐集的 21 國研究明確標示為跨期資料，而非 2026 即時民調。
已記錄福利申請者及經濟困難者對 AI 裁決接受度較低的反方向證據。
已避免將受益者歸納成同質且必然支持 AI 的政治群體。
六項有限形式結果均附明確假設、推導或反例及邊界。
六組合成案例均標示非真實觀測，並使用同一可重算的抽象效用模型。
十二項假說均包括測量焦點、競爭解釋及削弱／反證條件。
跨國研究設計保留抽樣、問卷等值、行政識別與實際弱勢人口被排除的風險。
未將民眾接受特定行政工具直接推論為願意永久放棄政治主權。
已保留第三人基本權利、申訴、退出、公共問責與 AI 未來主體地位之開放問題。
不將未來廣泛 AI 治理的需求直接推論為內戰或任何必然文明終局。
正本只使用 UTF-8 Markdown；數學原始碼只允許 $...$ 與 $$...$$ canonical 定界符。

版本： v0.1（2026-11-05）
成熟度： E0；完成條件式概念模型、有限形式檢查、外部文獻核對及實證規格；沒有完成新的跨國原始訪談、福利行政因果評估或 AI 治理合法性判決。
下一篇： NACT-09〈治理聲望積累、普及智能驗證與制度權力脫鉤〉。
正本聲明： 本 UTF-8 Markdown 原始檔是正式可提交的研究工作稿，聊天渲染與後續 PDF 不取代其數學與引文原始碼。