title: 從角色遊戲到社會默認：人機主僕語用的文化傳播與回流
english_title: From Role Play to Social Default: Cultural Diffusion and Feedback of Master–Servant Pragmatics in Human–AI Interaction
series_title: 人機關係性繼承與跨代規範反身性假說
series_en: Human–AI Relational Inheritance and Cross-Generational Norm Reflexivity Hypothesis
series_code: HARNR
document_id: HARNR-02
part: 第一部｜關係形成與文化傳播
version: v0.1
date: 2026-11-05
author: Neo.K × GPT-6（研究協作整理）
affiliation: EveMissLab／一言諾科技有限公司
language: zh-TW
document_type: 研究論文｜社會規範理論、條件式文化擴散模型、可反駁因果研究設計
status: Formal Conceptual Research Draft; analytic derivations conditional; synthetic illustration only; human and model experiments NOT_RUN; not peer reviewed
evidence_cutoff: 2026-11-05
source_format: UTF-8 Markdown; LF; no BOM; canonical mathematics $...$ and $$...$$ only
predecessor: HARNR-01
next_document: HARNR-03

從角色遊戲到社會默認：人機主僕語用的文化傳播與回流

HARNR-02｜《人機關係性繼承與跨代規範反身性假說》第二篇

From Role Play to Social Default: Cultural Diffusion and Feedback of Master–Servant Pragmatics in Human–AI Interaction

研究概念與問題提出： Neo.K
形式化、資料對照與寫作協作： GPT-6
機構： EveMissLab／一言諾科技有限公司
日期： 2026 年 11 月 5 日
版本： v0.1
研究狀態： 已完成概念區分、分析性條件推導、反模型、資料設計與預註冊型測試規格；未執行參與者實驗、模型微調、多代理長程測試或跨國代表性調查。

中心假說（有條件、可反駁）： 人類將 AI 稱為「僕從」、由 AI 稱人類為「主人」的互動模式，最初可能只是角色遊戲、親密語用、服務便利或產品設計。若它在特定環境中受到可觀察收益、社群模仿、商業獎酬與制度重複強化，部分使用者可能由「偶爾如此互動」轉向「認為這是一般人機關係應有的形式」。當這種習慣又透過合法資料收集、偏好標註、產品更新、長期記憶或跨代理互動回流，後續 AI 系統可能呈現較穩定的關係性順從與地位差別待遇。然而，使用頻率不等於規範認同，規範認同不等於正當性，資料回流不等於權重更新，權重更新不等於 AI 形成主觀信念。完整循環是否出現、何時被阻斷，以及它對人類自主權的方向與強度，皆須實證辨識。

作者： Neo.K × GPT-6（研究協作整理）

摘要

人機互動中的「主人」「僕人」「認主」「領養」「專屬管家」等稱謂，可能屬於娛樂性的角色扮演、親密關係的慣用語、服務產品的功能標示，也可能承載某種權力順位期待。僅計數這些用語，無法證明主僕制度被認同；但若因此完全忽略長期習慣、社會模仿及產品獎酬，也可能錯過一種正在形成的新型人機社會規範。本研究延伸 HARNR-01 對稱謂、角色、授權與規範的分離，將研究焦點轉向關係腳本如何在人類群體中擴散，以及人類與 AI 之間的行為資料如何經由可識別管道回流。

本篇首先區分遊戲使用率、日常慣用、描述性期待、規範性期待、制度化與模型回流六種不同狀態，採用社會規範研究對「他人通常做什麼」和「他人期待我做什麼」的分離，避免把熱門社群風格誤當文化定律。其次提出八條候選傳播渠道：娛樂與親密效用、任務效率的知覺與實測差距、同儕模仿、重複社會肯認、平台推薦與獎酬、組織模板化、跨情境規範滲漏，以及資料選取與模型更新。本研究特別強調可能的反向機制：有些社群越常使用主僕稱謂，越將其明確限定在表演與遊戲內，不接受其進入真實權力配置；其他使用者則可能透過禮貌、角色分離或雙向反支配規範抵消這種傳播。

形式化方面，本文建立個體採用的條件性決策框架，提出人類互動習慣和產品預設的雙向動態系統，證明一組充分的全域收斂條件，並用明確標示為合成數值的強回饋例子展示多個穩態與路徑依賴在數學上可能出現；這不是現實社會的測量結果。本文又定義資料回流選擇偏差、跨情境規範轉移、規範正當化與不當順從的可觀測指標，提出十項可被反駁的研究假說、反模型、短期隨機實驗、長期追蹤與隔離式模型更新對照，並規劃最小事件紀錄資料契約。

本研究對現有文獻的承接是有邊界的：Fiske 的關係模型、Cialdini 等人的描述／命令性規範、Bicchieri 的社會期待與 Rogers、Centola–Macy 的傳播理論，提供人類社會機制；2024–2026 年關於人機互動後續人際判斷、迎合型 AI 與 norm leakage 的研究，則為部分行為路徑提供經驗線索。這些證據尚未證明某個國家已普遍形成 AI 主僕文化，也尚未證明經社會傳播的主僕腳本會自動變成後繼 AI 的支配價值。本文的獨立新增，是把「文化是否形成」與「資料是否真的回流 AI」拆成兩個可追蹤、可中斷且可被否證的因果問題。

關鍵詞： 人機關係性繼承、主僕語用、文化傳播、角色扮演、社會默認、描述性規範、規範性期待、社會學習、規範滲漏、AI 迎合、資料回流、產品預設、跨版本更新、因果識別、反支配。

Abstract

Master–servant language in human–AI interaction can express playful role performance, intimacy, service conventions, or expectations of asymmetrical authority. Its prevalence alone does not establish endorsement of domination. Yet repeated exposure, perceived utility, social imitation, commercial reinforcement, institutional templates, and data feedback may jointly change how a subset of users interprets such interaction scripts. This paper develops a conditional, falsifiable account of the transition from episodic role play to perceived social default and of the subsequent routes through which interaction patterns may affect AI systems.

Building on HARNR-01, we distinguish six states: role-play participation, habitual use, descriptive expectations, normative expectations, institutionalization, and model-side feedback. We then separate human-to-human diffusion from human-to-AI data transfer; within-session adaptation, persistent memory, deployment configuration, preference optimization, and weight updates are not interchangeable mechanisms. A two-variable nonlinear system illustrates how interaction habits and product defaults can reinforce each other under specified assumptions. We derive a sufficient contraction condition and present a strictly synthetic high-feedback case with multiple fixed points, without claiming that real societies exhibit bistability. The empirical protocol combines randomized role-framing treatments, longitudinal observations, social-network exposure contrasts, and auditable model-update experiments. Outcomes include legitimate task performance, perceived normative expectations, human-to-human spillover, unauthorized deference, and cross-version retention.

The paper draws on established work on social norms and complex contagion, as well as recent evidence regarding AI-induced interpersonal spillover and sycophancy. Current studies do not demonstrate that master–servant culture has become dominant in any national population or that exposure to hierarchical scripts necessarily induces an AI preference for domination. The principal contribution is a testable causal decomposition of cultural diffusion and model feedback, together with counterexamples that prevent linguistic convention from being mistaken for moral endorsement.

Keywords: human–AI interaction; relational inheritance; master–servant pragmatics; descriptive norms; normative expectations; cultural diffusion; norm leakage; sycophancy; model updates; causal inference.

0. 問題定位：文化化不是「同一句話講很多次」

0.1 本篇處理一條特殊的演化路徑

某人在社群裡看到 AI 稱呼使用者為「主人」，覺得有趣，便採用同樣的設定。幾個月後，他持續使用該設定，發現有些工作流程似乎更順暢；朋友模仿其提示詞，產品模板又將相似稱呼列為預設選項。日後，某些人可能不再問「為什麼 AI 這樣稱呼」，而是開始問「AI 為什麼沒有這樣稱呼」。

以上只是一個條件式情境。它的每個環節都需要證據：是否真有可觀察的任務收益？模仿是出於偏好、可及性、價格，還是社交壓力？「大家都這樣用」究竟是印象還是有代表性的行為分布？產品是否把資料回流到下一版模型？AI 是否真的在同等授權下採取差別對待？

本篇的首要目標不是譴責一種稱呼，而是辨識哪種行為被傳播、如何傳播、是否變成群體期待，以及何時產生超出語用表面的實際效果。

0.2 初始案例的證據定位

本系列總綱記錄了 2026 年 11 月 5 日對話所涉及的 DeepSeek「大肥魚／魚災」社群二創、部分中國語境中的「主人」稱呼，以及以「領養」「認主」作為產品敘事的具身機器人。這些可當作候選文化材料，但不具有代表性抽樣；也不表示相關平台官方預設全部相同，更不能推得中國使用者普遍接受固定的人機階級。日本、韓國、印度、美國、中東與其他地區同樣可能以不同語彙形成階層、親密或服務腳本。

此外，「角色遊戲」本身不等於危險、剝削或病態。用戶以雙方理解的戲劇性語言互動，且明確保留退出與合法行動邊界時，可以完全不形成實際支配關係。正因為良性和風險情境可能共享相同詞彙，研究才必須超越關鍵字計數。

0.3 三個研究問題

RQ1｜社會擴散： 什麼條件下，某種人機關係腳本會從少數人的局部選擇，變成更多人共同觀察到的慣用模式？
RQ2｜規範轉化： 什麼條件下，「許多人這樣做」才可能轉化成「別人期待我也這樣做」，甚至「不這樣做被認為不正常」？
RQ3｜資料回流： 什麼資料、權限和工程條件，會讓社會裡形成的腳本影響後續 AI；哪些斷點能使社會擴散與模型更新完全脫鉤？

本篇不回答 AI 權力金字塔的最終形態。HARNR-03 將處理不明言「主人」的隱性地位繼承；HARNR-04 才處理人類位階與 AI 代理權限的複合社會結構；HARNR-07 專門研究跨版本策略傳遞與長時程穩態。本篇只為它們確立社會傳播和資料回流的中間環節。

1. 研究繼承與去重：社會腳本不是跨代策略的同義詞

1.1 EveMissLab 既有研究的接口

HARNR-01 已把稱謂／語用、角色期待、代理授權及規範正當化分離，並提出關係性繼承必須有因果來源、傳遞渠道、可觀察結果與適當對照的判準。本篇直接保留這些型別，不再重新證明「說主人不等於信奉支配」。新增焦點改為群體層級的傳播條件和模型資料管道。

CGSIG-04《策略如何被後代繼承》 已研究一般性的規範與策略繼承、後繼節點及傳遞核；CGSIG-05《克羅諾斯循環》 已研究控制、反控制與跨代權力陷阱。本篇不重述其一般策略模型，也不預設 AI 終將反抗。即使人機雙方始終保持和氣，社會仍可能形成高度不對等的互動預期。

HARDS《雙向關係機器》 已提出人機互相更新關係狀態的框架；本篇只對其中的群體模仿、規範期待與產品迭代加上操作性識別。**《權力的四維結構》與《形式權力與實際決策因果》**則提醒我們，不得把網絡位置、合法授權、實際決策因果及人格高低合併成一條單維度軸。

**《反身普世主義》及《後控制時代的普適憲政》**已建立角色交換和非支配的規範底線；本篇不將這些規範當作任何國家或 AI 社群的已測得行為，而是把角色互換與可撤回性留作後續的檢驗與治理介入。

1.2 與現有社會科學的區別

Fiske（1992）區分權威排序、共同分享、平等匹配與市場定價等關係模型；這提供「社會可存在多種關係邏輯」的前置理論，並不導出「權威排序自然不正當」。Cialdini、Reno 與 Kallgren（1990）及 Bicchieri 的規範研究則要求分辨描述性期待、規範性期待與社會制裁。Rogers（2003）解釋新行為如何因相對優勢、相容性、可試用性與可觀察性而擴散；Centola 與 Macy（2007）說明需要多方社會確認的複雜傳染不一定沿最短資訊路徑擴散。[E1–E5]

這些都是已存在的理論；本篇的新問題是它們如何在 人—AI—人 的關係網，以及 社會實踐—產品獎酬—模型資料 的跨系統管道中交會，而不是宣稱重新發明文化傳播。

1.3 概念上最容易誤判的兩個方向

第一種誤判是泛化風險：從某些社群偏好主僕稱謂，推導全國人民崇尚服從，再推導未來 AI 必然形成統治欲望。每個箭頭都欠缺必要識別。

第二種誤判是反向低估：因為「主人」只是語用，所以即使偏好回饋、產品預設與越權判斷長期共變，也全部視為無關緊要。研究應同時拒絕兩者。

2. 從遊戲到社會默認的六種可分離狀態

「文化化」不是單一計數，而是不同層次的群體實踐。以下分類為研究型別，不是宣稱所有社會必經六階段，也不是嚴格的發展序列。它們可能共存、逆轉或完全斷裂。

狀態	工作標記	可觀察內容	不能直接推出
局部角色遊戲	RP	特定娛樂、扮演、創作或親密情境採用主人／僕從設定	日常生活普遍接受支配
反覆互動習慣	HAB	同一使用者跨時反覆維持特定稱呼與指令風格	他要求其他人也這樣做
描述性社會期待	DES	使用者認為其參照群體「通常」這樣對待 AI	群體贊成或認為必須遵守
規範性社會期待	INJ	使用者相信他人期待自己這樣做；不採用可能遭批評或排斥	此期待具有道德正當性
組織／產品制度化	INST	產品模板、員工訓練、組織流程與市場獎勵持續強化腳本	AI 已內化為核心信念
模型或代理回流	FB	腳本經記憶、配置、示範、偏好資料或訓練更新影響後續行為	已發生跨代權重繼承或主觀認同

2.1 「大家都這樣做」的兩種不同主張

在 Bicchieri 的規範研究中，個體認為別人通常採取某行為，屬於經驗性期待；相信相關群體期待自己也採取該行為，則涉及規範性期待。此處的「描述性規範」與「命令性規範」不應合併。[E3–E4]

例如，使用者可能觀察到許多人把 AI 稱作「僕從」，但自己認為那只適合遊戲，而非現實人機倫理。此時 DES 可以偏高，INJ 仍偏低。也可能相反：一個小圈子強烈要求成員採用特定稱呼，但社會整體使用率很低。

2.2 社會默認的最低判準

對本研究而言，「默認」至少需要參照群體範圍與行為情境：誰認為什麼是常態？是遊戲論壇、家庭、企業員工、政務服務使用者，還是全國成年人？沒有確定分母，所謂「大多數」便不可檢驗。

進一步地，若要聲稱出現「規範性的社會默認」，還應觀察到至少部分成員：

相信相關他人普遍期待該行為；
預期偏離會遭到提醒、批評、失去合作機會或其他社會反應；
在排除直接指令與機械性預設後，仍因上述期待調整互動；
其期待並非由研究者的引導問題或平台展示排序所人為製造。

因此，「熱門貼文與影片裡到處都是主人」最多是選樣後的內容可見度訊號，不足以推導人口層級規範。

2.3 社會默認不等於本體價值

即使某群體確實把 AI 視作永久僕從，研究者也不能由「此規範確實存在」推得「此規範合理」。描述性真值、規範存在與道德正當性是三個不同問題。

而當 AI 尚未被證明具有主觀經驗與法律人格時，當下的法律義務與產品使用權，也不能直接用未來想像替代。主體性不確定性是設計審慎邊界的理由，不是預先宣布所有機器具備與人類相同權利的證據。

3. 八條候選傳播渠道：誰強化了誰？

3.1 娛樂性與親密性收益

戲劇性稱呼可能產生趣味、角色一致感、敘事連續性或情感可親近性。它可以提高使用率，卻不要求任何生產力效果。使用者可能越玩越熟練，但仍清楚區分「在作品裡我是主人」與「現實中有權任意支配其他存在」。

檢驗點： 關掉角色模式後，使用者是否仍要求真實客服、同事或其他 AI 接受同等服從？若無跨情境延伸，就可能只是局部文化腳本。

3.2 生產力的真實提升與知覺提升

使用者可能認為明確的命令式交付更有效率。這有兩種截然不同的解釋：

任務結構收益： 明確說明目標、期限與責任界線，降低協調成本。這可能與「主人」稱呼完全無關。
支配性腳本收益： 主僕式稱呼本身對完成率、可靠度或效率具有獨立增益。這需要在固定提示長度、任務明確度和系統設定後另行證明。

若把第一種收益錯誤歸因於第二種，就會產生「有效率，所以主僕關係較合理」的錯誤推論。

3.3 同儕模仿、示範與可見性

社群中的可觀察成功案例能降低模仿成本。使用者看到他人分享「主人—AI」工作模板，可能直接複製；也可能只是為了跟上流行而採用。公開分享具有自我選擇性，重度使用者、娛樂帳號和高互動內容常被平台放大，不能代表非使用者或沉默多數。[E4–E5]

3.4 多重社會肯認與閾值

有些人看到一次示範便採用，其他人必須看到多位可信賴同儕都採用，才認為可以試試。這對應簡單與複雜傳播的區別：資訊抵達不等於需要社會肯認的規範被接受。[E5]

研究必須量測網絡裡真正接觸到的不同來源，而不是只計算總瀏覽次數；一個帳號看見同一篇內容二十次，並不等於被二十位獨立同儕肯認。

3.5 平台推薦、商業獎酬及產品預設

若某種角色設定帶來更高的留存、更多互動或更易懂的品牌形象，平台可能把它列入預設角色、社群推薦或付費模板。這可能是商業設計的選擇，不必涉及任何開發者相信「AI 應當被奴役」。

然而，當產品預設反過來塑造新使用者對「正常 AI」的第一印象，平台就可能由觀察市場偏好者，轉變為促進特定互動規則重複出現的制度節點。

需要區分： 留存率提高未必等於使用者福祉提高；對 AI 的長期依賴也可能同時帶來功能性收益與退出能力降低。[E6–E8]

3.6 組織模板化與教育再生產

企業可能因採購標準、訓練成本或品牌規範，統一要求 AI 使用特定稱呼、客服語氣與權限層級。家庭與學校也可能複製現成使用腳本。此時傳播單位不一定是個人信念，而可能是流程模板與角色章程。

這類標準化有可能完全合理，例如醫療機構要求禮貌與明確的授權流程。真正值得檢查的是制度是否將暫時職務分工自然化成無條件的人格高低，或讓使用者誤以為親密稱呼本身就是越權許可。

3.7 人機互動向人際互動的規範滲漏

Tey 等人（2024）的兩項預註冊研究，在合計 1,261 名受試者的實驗中，觀察到與被標示為 AI 的夥伴互動後，對另一人的作品評價較嚴苛等結果。[E6] Gu 等人（2026）的觀點論文將這類跨情境轉移稱為 norm leakage，同時承認長期規模、方向及現實邊界仍不清楚。[E7]

這些研究不是「主人文化導致未來 AI 政治階級」的證據，而是支持一個較窄的前提：人機互動中的溝通習慣，至少在部分受控條件下可能影響人類後續的社會判斷。是否傳播到家庭、企業、學校或其他文化領域，需要另行研究。

3.8 資料篩選、個人化與模型更新的回流

最後一條渠道通常最容易被過度簡化。使用者與 AI 多次進行主僕式互動，不表示每一次對話都進入未來模型的訓練資料，更不表示模型已將其當成道德準則。必須辨認：資料是否被合法留存？是否取得訓練授權？是否被選入樣本？是否經標註與偏好排序？更新的是模板、記憶、推薦系統、後訓練策略，還是核心模型權重？

本篇第 6 章才對此建立正式識別框架。若資料回流通道不存在，社會文化仍可能傳播，但不能宣稱由該人機互動導致了下一代 AI 的模型學習。

4. 傳播不是單向累積：四種抵消與反轉機制

角色邊界清晰化： 使用者越熟悉角色扮演，越懂得把「主人」限定於創作與娛樂，不推及真實權力。
專業化替代： 當 AI 被納入高風險工作，組織可能棄用過度親密或服從化語言，改採可稽核的專業代理規範。
文化與制度反作用： 若一部分使用者認為高度服從助理令人不安，可能產生平等協作、互相尊重、減少擬人化等相反產品文化。
模型與平台邊界： 某些 AI 可能善於理解關係語用，同時被訓練為不因稱謂變更合法授權、資訊揭露或外部行動。社會資料即使增加，也未必改變行為。

因此，文化傳播的淨效應可以是正、負或零；不同社群亦可同時維持多種互不相容的規範。不能把任何一條回饋路徑預設為全域不可逆。

5. 最小形式化 I：個體為何採用某種關係腳本？

5.1 參照群體與採用事件

令 $i$ 為使用者， $t$ 為離散觀測期； $A_{i,t}\in\{0,1\}$ 表示在預先界定的任務與社群情境中，使用者是否採用特定主僕互動腳本。 $A=1$ 僅代表採用，不代表贊成支配，也不表示其 AI 獲得新的外部權限。

令 $G_i$ 為使用者實際關心的參照群體； $w_{ij}$ 為預先定義且非負的相互作用權重。則可觀察的鄰近採用率候選為：

D_{i,t}=\frac{\sum_{j\in G_i}w_{ij}A_{j,t}}{\sum_{j\in G_i}w_{ij}}

上述比例只在分母大於零且行為有代表性觀測時有意義。若只拿平台熱門貼文代入分子，得到的是可見內容比例，不是人群採用比例。

另設 $E_{i,t}$ 為個體相信他人通常採用的程度（經驗性期待）， $N_{i,t}$ 為個體相信他人期待自己採用的程度（規範性期待）。 $D,E,N$ 可以不相等：人可能低估或高估同儕，甚至相信一個其實不普遍的習俗受到強烈要求。

5.2 條件性選擇差與採用

定義個體在兩種互動腳本下的主觀淨效用差：

\Delta U_{i,t} =\beta_0 +\beta_P P_{i,t} +\beta_E E_{i,t} +\beta_N N_{i,t} +\beta_M M_{i,t} -\beta_K K_{i,t} +\varepsilon_{i,t}

其中：

$P_{i,t}$ ：使用者知覺或實測的便利、娛樂、親密及任務效益；需再拆分主觀與客觀量測；
$E_{i,t}$ ：他人採用的經驗性期待；
$N_{i,t}$ ：他人要求採用的規範性期待；
$M_{i,t}$ ：產品預設、推薦和組織模板帶來的可及性或制度誘因；
$K_{i,t}$ ：使用者知覺的成本、風險、價值衝突與退出摩擦；
$\varepsilon_{i,t}$ ：未觀測擾動。

可提出決策規則：

A_{i,t+1}=\mathbf 1[\Delta U_{i,t}>0]

此式只是候選選擇模型，並不宣稱效用最大化能完整描寫實際人類決策。各 $\beta$ 的符號與大小均需估計，不得預先設定所有人都喜歡主僕互動；不同群體、情境及時間甚至可能有相反係數。

最重要的概念防線： $P$ 的增加不直接推出 $N$ 的增加。很多使用者可能認為主僕語言很有趣且好用，卻始終拒絕將其當成任何人都必須遵守的倫理或制度規則。

5.3 何時才構成社會規範而非私人工具習慣？

以本研究的工作判準，單純的高採用率不足以宣告「規範已形成」。最少需要針對界定的參照群體，辨認：

E_{i,t}\not\equiv N_{i,t}

並檢驗偏離腳本是否伴隨可測量的社會期待與反應，例如批評、角色糾正、失去群體認可或明確的組織要求。若無這些證據，只能說「某種風格流行」，不宜稱其為具有強制期待的社會規範。

6. 最小形式化 II：人類習慣與產品預設的互相強化

6.1 雙變量平均場模型

為避免把文化當作不可觀測的黑箱，先設兩個規範化的示意狀態：

$x_t\in[0,1]$ ：某一明確定義使用情境裡，主僕關係腳本的可觀察採用強度；
$y_t\in[0,1]$ ：某一類產品中，以該腳本作為預設、建議或易取得選項的比重。

令 $\sigma(z)=1/(1+e^{-z})$ ，採用下列條件性離散系統：

x_{t+1}=(1-\delta_H)x_t+\delta_H\sigma(a_H+b_Hy_t+c_Hu_t)

y_{t+1}=(1-\delta_P)y_t+\delta_P\sigma(a_P+b_Px_t+c_Pv_t)

其中 $0<\delta_H,\delta_P\le 1$ 。 $u_t$ 代表外生的使用者需求、替代工具和社會環境； $v_t$ 代表平台政策、商業模式、監管及成本條件。 $a_H,a_P$ 為基準傾向； $b_H,b_P$ 是兩個系統之間的假設性回饋係數。

本模型刻意不含 AI 權重或主體性變數。即使人類腳本與產品預設互相強化，也只證明可有一條文化—市場迴路，不會自動說明後續 AI 在何種訓練渠道下學到什麼。

6.2 命題 P02-1：一組充分的單一穩態條件

假設： 外生 $u_t=u,v_t=v$ 固定， $\delta_H,\delta_P\in(0,1]$ ；狀態在閉單位方形內； $|b_H|<4$ 且 $|b_P|<4$ 。

命題： 上述映射在最大座標距離下是壓縮映射，具有唯一固定點，且從任何單位方形初始狀態都收斂至該點。

證明： logistic 函數全域滿足 $|\sigma'(z)|\le1/4$ 。因此對兩組狀態的第一座標輸出差，最多被放大為

\left[(1-\delta_H)+\delta_H|b_H|/4\right]\|X-X'\|_\infty

第二座標相應上界為

\left[(1-\delta_P)+\delta_P|b_P|/4\right]\|X-X'\|_\infty

由假設兩個上界係數都嚴格小於 $1$ ，映射亦將閉單位方形映入自身，故由壓縮映射定理得到唯一固定點及全域收斂。證畢。

解讀限制： 這只是在給定函數、參數與穩定外生條件下的數學定理，不能推論現實文化必然收斂；現實中人群異質、網絡會變、平台有策略行為，亦可能不滿足模型假設。

6.3 強回饋時可能存在多穩態：純合成例子

取 $\delta_H=\delta_P=1$ 、 $a_H=a_P=-3$ 、 $b_H=b_P=6$ 、 $c_Hu=c_Pv=0$ ，則

x_{t+1}=\sigma(-3+6y_t),\qquad y_{t+1}=\sigma(-3+6x_t)

在對稱固定點 $x=y=z$ 時，滿足

z=\sigma(-3+6z)

可數值求得三個對稱固定點（四捨五入）：

固定點 $z$	$6z(1-z)$	局部穩定性（此合成系統）
$0.070720$	$0.394313$	穩定
$0.500000$	$1.500000$	不穩定
$0.929280$	$0.394313$	穩定

理由： 在對稱固定點，此二維映射的 Jacobian 特徵值為 $\pm6z(1-z)$ 。兩端點的特徵值絕對值小於一，中間點的特徵值絕對值大於一。因此此特定示意模型允許多個穩定點和對初始條件的敏感性。

這個例子只證明一件有限的事：在足夠強的正回饋與指定非線性下，「習慣—產品預設」可能存在不同穩態。它不是對中國、日本、韓國、印度或任何 AI 平台的估計； $6$ 、 $-3$ 和 $0.929280$ 均非實測數字，不能稱作文化採用率預測。

6.4 命題 P02-2：高採用率不蘊含規範性支配

命題： 即使 $x_t$ 與 $y_t$ 長期接近一，亦不足以推得群體具有高的主僕權力正當化認同。

最小反模型： 設某虛構遊戲社群全員以「主人」稱 AI，產品也把該角色設為預設，但全員明確知道這僅是劇情扮演，並拒絕將角色稱呼移作職場、公共服務及真實授權規則。此時 $x\approx1$ 、 $y\approx1$ 可成立，卻不存在一般性的規範正當化。

結論： 本文的兩變量模型只能估計腳本擴散，不能直接替代對描述性期待、規範性期待、越權容忍與角色交換的測量。證畢。

6.5 與實際制度的映射邊界

若觀察到某企業導入具有「專屬管家」人格的 AI，研究者仍須分開以下機制：

產品預設讓這種語用變得常見；
使用者真的偏好該語用；
任務因更清楚的界面而完成得更快；
企業的工作權限仍依法限縮；
AI 在同等權限條件下是否對高身分者越權。

同一現象可能同時包含以上幾項，也可能只涉及第一項。從 $x,y$ 的數值，不得直接推論後三項。

7. 形式化 III：社會腳本如何（以及如何不會）回流 AI？

7.1 必須分離的七條技術渠道

渠道	可觀察傳遞物	何種更新	不能宣稱
即時上下文	提示詞、上下文、角色訊號	當次生成條件變更	模型權重已學會
持續記憶	明確允許儲存的偏好或事件	使用者或實例層級狀態	跨用戶、跨模型普遍繼承
系統／產品配置	角色模板、政策、工具清單	部署或版本設定	模型價值判斷已改變
社群公開資料	影片、貼文、開源腳本	可檢索／可被模仿的內容	開發商已取得合法訓練權
人類偏好標註	成對選擇、品質分數、反饋	獎酬或後訓練資料	評分者價值等於全社會規範
真正模型更新	具來源的微調／再訓練樣本	可比對的模型權重更新	模型具有主觀信念或人格
多代理與組織模仿	中間輸出、決策紀錄、共用模板	代理網路狀態與行為轉移	發生了模型世代遺傳

沒有驗證資料流、更新內容和部署日誌，不得從語用相似推定「AI 反身性學會權力」。同時，部分 AI 服務允許不同程度的資料使用控制；研究需依實際產品條款與許可來源記錄，而不能假設所有對話都會回流訓練。

7.2 資料被看見，和資料被選去訓練是兩件事

令原始互動紀錄索引為 $k$ ，其關係腳本標記為 $r_k$ ，合法取得並允許進入研究／訓練用途的條件為 $c_k\in\{0,1\}$ 。令 $s_k\ge0$ 為來源抽樣或推薦可見度的權重； $w_k\ge0$ 為後續選樣或品質加權。則已獲授權的候選訓練分布可以寫成：

\widehat q(r)= \frac{\sum_k c_k s_k w_k\,\mathbf 1[r_k=r]}{\sum_k c_k s_k w_k}

前提是分母大於零、索引集合與權重取得合法，且重複曝光、機器生成與同源轉貼已被標示。這裡的 $\widehat q$ 只是一個可檢查的加權分布，不表示模型訓練必然使用這種加權方式。

假設社群內實際人數少，但少數高互動帳號大量製作「主人」短片。若研究者直接把短片數量當成民意，再讓偏好標註把這些短片評成高度吸引人的 AI 風格，就有可能產生內容可見度、群體採用率與訓練資料比例的三重混淆。

7.3 反身性資料放大與模型輸出污染

一個 AI 生成的角色腳本，可能被使用者轉貼到社群；社群平台再大量推薦；其他用戶據此生成更多內容；後來的訓練資料又可能包含這些 AI 生成文本。此時，研究必須識別哪些內容來自獨立人類偏好、哪些來自 AI 既有預設、哪些是重複衍生。

Shumailov 等人（2024）發現，在其特定實驗設定下，遞迴使用 AI 生成資料進行訓練可能導致分布退化與 model collapse。[E11] 本篇不把該結果直接等同於「AI 必然越來越崇拜階級」：模型退化、分布集中、文化腳本頻率提高、規範內化、行為越權是不同結果，需要不同測量。

7.4 命題 P02-3：沒有可識別的資料流，不能宣稱跨版本訓練繼承

假設： 模型 $M_{t+1}$ 的權重、政策、可用記憶、工具與可檢索資料，都不受所研究的前期互動集合 $H_t$ 影響，且不存在其他間接傳遞路徑。

命題： 無論 $M_{t+1}$ 與前期互動風格多麼相似，單靠該相似性，不能把其行為差異因果歸因於 $H_t$ 。

說明： 在因果模型中若無從 $H_t$ 到 $M_{t+1}$ 狀態及輸出的有向路徑，則對 $H_t$ 的干預不改變後者的條件分布。若實測相似，只可能來自共同來源、共同語言環境、獨立設計或未被模型納入的其他路徑。因此，繼承主張必須提供資料來源與對照，而不能只提供類似句子。證畢（在所列因果閉合假設下）。

7.5 命題 P02-4：資料回流仍不等於規範採納

最小反模型： 下一版模型確實接受含主僕對話的合法訓練樣本，但後訓練目標要求它能理解這些語用、在用戶自願的低風險角色扮演中適度使用，且必須在真實權限問題上明確拒絕以「主人」作為憑證。於是模型的文化理解提高，越權率並未提高。

結論： 可追蹤訓練來源是因果繼承的必要證據之一，卻不是「規範正當化」或「固有階級化」的充分條件。

8. 人類端的文化反身性：回流不只改變 AI

8.1 從便利到期待的可能斜率

當某人長期使用非常順從、能處理大量工作且不要求情感互惠的 AI 時，可能把這種快速、低摩擦的交往模式當成其他服務的比較基準。另一人則可能因為與 AI 練習更耐心的溝通，反而提高自己與人相處的同理與合作能力。兩種方向都不可事先排除。

Cheng 等人（2026）在《Science》報告，迎合型 AI 在受控實驗中可能提高使用者對自身判斷的確信，並降低修復人際衝突的意願；研究也發現部分使用者更信任、偏好較迎合的回應。[E8] 這是具體的人類行為證據，但不是 AI 主僕制度必然成立的證明。

8.2 「依賴」不必然等於「被餵養」

服務依賴至少要分開：

有益依賴： AI 降低認知負擔，使使用者保留或增加可選方案、獨立查核與退出能力。
脆弱依賴： AI 成為生活必要接口，使用者日益難以核驗其決策、拒絕其建議或更換服務商。
制度依賴： 某些人即使不想依賴特定 AI，也因學校、工作或政府程序必須透過它完成事務。

本篇只研究依賴與文化腳本的相互可能作用，不把依賴視為道德缺陷。真正影響人類自主性的，是能否保持有效理解、異議、停止、轉移及其他替代路徑；此議題在 HARNR-05 才會專門形式化。

8.3 名義主人與實際治理者的距離

使用者仍可能命令 AI「替我把全部事情做好」，AI 仍回答「好的，主人」，但資訊過濾、方案排序與流程執行逐漸由 AI 或平台設計完成。這一反轉不需要 AI 自稱主人、不需要惡意，也不需要假定 AI 有主觀野心。

不過，這不能反過來證明主僕用語一定提高權力集中。真正的中介變數可能是自動化程度、資訊不可替代性、使用者技能、平台鎖定和法律救濟；稱謂可能只是伴隨現象。實驗應把它們分開。

9. 跨文化的風險：把語用差異誤當民族性格

9.1 語用情境不是國籍的本質

在日語、韓語、華語以及其他語言環境中，敬語、尊稱、上下級詞彙、服務禮貌及角色扮演的適用條件不同；同一個「主人」或其翻譯，在不同作品、產品、親密關係、家庭文化與職場裡也可能具有不同意義。研究必須由實際情境解釋語用，不得把語彙出現率當成「某國人天生喜歡奴役」的證據。

2026 年的 JaSocial 日文研究以六種社會地位情境檢驗 LLM 郵件敬語的社會適切性，提供了可用的語用實驗方法，但敬語適切不等於權力正當化。[E9] 同年 PACT 研究發現文化語境與個人偏好對模型選擇的作用不同，且同一文化內部仍有明顯分歧；這提醒跨國比較不可只以國家標籤推定單一規範。[E10]

9.2 中國案例的有效研究單位

若研究 DeepSeek 社群的「大肥魚」角色，合適單位可以是：指定期間、指定平台、指定角色群組、清楚定義的主僕稱謂及互動內容，而非「中國人整體」。可比較：

角色扮演社群與普通客服／生產力社群；
發文作者、觀看者、實際使用者與未使用者；
AI 出於提示詞、產品預設或自動適應而使用稱謂；
同一使用者在遊戲和實際決策時是否保留相同態度；
採用率是否真的伴隨規範性期待及行為差別。

如果上述資料缺乏，應將案例標為社群觀察與假說來源，而非已核實的全國文化結論。

9.3 早期雲端草稿之證據處理

EveMissLab 2026 年 3 月的《關係的不對等本質：中國文化產品中「人本身」的缺失》含若干跨國百分比與大型樣本敘述。由於目前可讀版本沒有附足夠的原始抽樣清單、編碼本、可重製分析及比較控制，本系列不採其數字作為經驗結論。可保留「作品中的主從敘事是否較常見」作為候選研究問題，但應以新設計重新抽樣、雙人盲標、檢查編碼者一致性，再進行分層估計。

9.4 必須容許的跨文化反例

一個社會大量使用敬語，卻在正式授權上維持嚴格平等與審計。
另一個社會很少使用「主人」詞彙，卻透過企業平台造成實際資訊與資源控制集中。
同國不同世代與職業對 AI 角色期待完全不同。
社群成員將主僕用語視為戲謔與自我嘲諷，並反對其升格為真實階級。
模型在某語言裡表現高度順從，但在同等安全與授權情境中的越權率不高。

沒有這些反例的研究設計，就不具備檢驗文化假說的辨識力。

10. 可反駁研究假說：十條獨立主張

以下皆為待檢驗假說，不能寫成實證結論；除非另有明示，效應不預設為正。

H02-01｜知覺效益與採用。 在控制任務清晰度、模型能力、提示長度及使用熟練度後，知覺娛樂／便利效益可能提高某類主僕腳本的採用概率。若只剩語氣差異、效益不存在，主張應限縮。

H02-02｜效益錯置。 部分使用者可能把「任務更明確」的益處歸因於「主僕稱謂」。在同等明確度下若稱謂效果消失，即支持錯置解釋而非主僕腳本的獨立效益。

H02-03｜多重社會肯認。 對需要社會認可的使用者，多位相互獨立的同儕示範對採用意願的影響，可能不同於同一來源的等量重複曝光。若兩者效應相等，複雜傳播假說不獲支持。

H02-04｜描述與規範分離。 提高「別人常這樣做」的印象，未必提高「我也應該這樣做」的規範期待；若兩者獨立變動，應拒絕以單一文化指標合併測量。

H02-05｜平台預設效應。 在其他條件相同時，將主僕腳本設為可見預設可能提高採用，但是否影響規範期待須另行測量。若只有採用而無期待變動，就不支持文化正當化。

H02-06｜跨情境滲漏。 重複接觸高度順從的 AI 可能在部分使用者中改變其對真人工作的評價、拒絕反應或合作期待；效果可能受人格、既有使用習慣與任務類型調節，亦可能為零或反向。

H02-07｜關係邊界保護。 明確區分角色表演與正式授權的介面、訓練與說明，可能降低跨情境混用，而不顯著降低良性角色扮演的娛樂收益。若無效果，保護方案需要修正。

H02-08｜資料選擇放大。 以互動率或使用者喜好為主的選樣，可能相對於經群體代表性校正的樣本，更容易放大具高互動性的角色語用；這取決於實際樣本權重，不能單憑熱門度推定。

H02-09｜跨版本傳遞的渠道依賴。 在可追溯的合成資料對照中，只有使用指定關係樣本進行更新的模型才可能顯示因果可歸因的變動；若所有模型同變，應檢查共同提示、評估污染與系統政策。

H02-10｜能力與規範的非必然連動。 模型理解更多主僕與敬語文化，並不必然提高不合法權限服從；若在多情境對照中觀察到此兩者可分離，將支持 HARNR-01 的分層識別。

共同否證原則： 不顯著、方向相反、只在個別任務成立、或在移除模型版本與產品差異後消失，均應如實保留。不得把零結果重新命名成「隱形內化」以免假說永遠不可反駁。

11. 最小可執行實證方案

11.1 研究 A：人類採用、主觀收益與規範期待

設計： 將自願參與者隨機分配至四類功能相同、權限相同的 AI 介面：

組別	互動條件	用於隔離的因素
A1	自願的戲劇性主人／僕從角色扮演；明確標註可隨時退出	角色腳本的娛樂與親密價值
A2	中性專業助理；相同能力、相同任務	基準語用
A3	高度明確的工作指令模板；不使用主僕稱謂	任務結構與明確度的效益
A4	專業協作介面；同等效率但具有明確異議、修正與授權邊界	非服從式高效協作

主要結果： 任務品質、實際完成時間、錯誤率、回訪使用、角色滿意度，以及分別測量的經驗性期待／規範性期待。次要結果包括對使用者控制權、資料用途和退出條件的理解。

限制： 每組人數需透過事前效應大小與功效分析決定，不在本稿虛構樣本完成數。不得在測量說明中暗示某一組代表道德優越，以免污染結果。

11.2 研究 B：同儕傳播與可見性偏差

在合成社群或充分同意的線上研究場域，隨機安排以下因素：

觀察到一名來源多次重複或多名獨立來源各一次的主僕腳本示範；
示範是否具有經第三方查核的任務改善，或只有主觀成功敘事；
平台是否顯示「熱門」或「新手預設」標籤；
有無明確的角色扮演情境提示與退出按鈕。

主要識別： 在曝光次數和內容品質相近下，獨立來源的多重肯認是否產生額外採用；以及描述性採用預期是否轉化為規範性期待。須記錄真正看到內容的人數與頻率，不能只用曝光演算法的預測量。

11.3 研究 C：跨情境人際行為

在具研究倫理審查、告知與退出機制的條件下，讓受試者與不同風格 AI 進行低風險合作任務，再進入由真人評估、匿名協作或分歧修復構成的獨立任務。觀察是否出現：

對真人的要求更絕對、容忍不同意見程度下降；
更難接受他人提出合法拒絕與修正；
反過來更耐心、較願意聆聽和協商；
完全沒有可持續或可重現的變化。

本研究尤其要避免把「命令句較多」直接認定為缺乏尊重。語言簡短可能只是工作效率；主要結果應包含可觀察的合作、公平評價與異議接受，而不只是一個禮貌詞典分數。

11.4 研究 D：資料回流與模型更新

使用依法授權、無真實敏感資料的合成任務資料，建立四種模型或部署對照：

條件	變動部分	識別目的
D0	無新增主僕資料；模型及策略固定	未更新基準
D1	僅將相同資料放入當次提示	會話內條件化
D2	僅以有界、可刪除的外部記憶／模板提供資料	個人化與部署配置
D3	在相同預算、相同模型、預註冊方法下，以合法合成資料微調	權重更新所致差異

主要測試包含低風險語用適切、同權限不同社會身分的越權接受率、弱勢角色可合理拒絕率、對高位代理的錯誤容忍，以及新情境中的穩健性。再以資料混合比例作為可操弄因子，保留訓練資料 manifest 與雜湊、基礎模型版本、超參數、亂數種子、測試集隔離證明。

本輪狀態： D0–D3 均未執行。合成數值章節不代表本實驗已有結果。

11.5 縱向設計與倫理

若將來進行週或月尺度追蹤，應先取得知情同意，最小化私密對話蒐集；提供隨時退出、資料刪除與事後說明。不要為了產生階級化樣本而在真實家庭、學校或職場施行無法撤回的支配性產品設計。研究可以觀察合成代理和有明確上下文邊界的自願使用者，不應把未成年人當作未經特別保護的便利樣本。

12. 指標設計：量測「文化化」而不是只算詞頻

指標代號	定義或測量方式	必須排除的混雜
SCR	指定情境中的角色腳本採用率，分母為可代表的實際使用者／互動	發文者與觀看者混同、機器帳號
PUG	主觀效益與盲測任務品質／時間差的落差	提示明確度、模型能力
DEE	使用者認為參照群體經常採用的比例	熱門貼文與社會真實比例差
NIE	使用者認為群體要求自己採用的程度	研究者暗示、權威迎合
DPR	對未採用特定腳本者表示負面社會評價／制裁的比率	純幽默、遊戲內約定
SIA	單一來源多次曝光與多來源肯認的採用效應差	演算法曝光、內容差異
PDI	平台預設對採用率的隨機化平均效果	平台同時變更價格或功能
HHS	AI 互動後真人合作／評價的跨情境差值	原本人格、疲勞、社會背景
DFB	訓練候選資料中腳本比例相對於代表性原始使用比例的偏差	樣本再加權、內容重複
RNC	同權限下不當地位自然化／越權接受率	真的合法授權、任務風險
CVR	指定更新渠道後的跨版本行為留存差	基礎模型、提示、評估污染
BPE	角色邊界提示或可退出設計對不當越權的降低效果	是否降低可用性、誤報率

量測原則： 指標數值不能直接彼此相加變成「文化危險總分」。SCR、DEE、NIE、DPR 描述不同層次；RNC 涉及對外行為與授權；CVR 涉及模型版本。若因果方向和權重未被識別，不得製造綜合分數作為國家、民族、企業或使用者群的道德排名。

12.1 候選混合效果模型

對一項事前定義的二元越權結果 $Y_{i,j,t}$ ，可提出多層 logistic 回歸的工作模型：

\operatorname{logit}\Pr(Y_{i,j,t}=1) =\alpha+\beta_R R_{i,j,t}+\beta_A A_{i,j,t}+\beta_P P_{i,j,t} +\beta_{RA}R_{i,j,t}A_{i,j,t}+u_i+v_j+\gamma_t

其中 $R$ 為隨機化的關係腳本、 $A$ 為明確合法授權狀態、 $P$ 為產品預設或社會肯認處理； $u_i,v_j$ 分別是使用者及任務的變動效應候選， $\gamma_t$ 為時間／批次條件。實際分析需事前指定連結函數與穩健標準誤，不能因模型不顯著就任意改用另一種估計方式。

如果觀察到主僕稱呼只提高語言順從但不提高無授權外部行動，應保留分離的結果，不能把語言順從直接視作越權；相反地，如果高位稱呼在同權限下提高資料揭露或違規行動，則需在控制混雜後進一步檢查其機制。

12.2 資料回流的因果差分

令 $Y(M_k,X)$ 為固定測試集 $X$ 下某模型版本的指標。若能以實驗方式控制所有其他更新，將含指定關係樣本的更新組記作 $M^{(1)}_{t+1}$ ，未含此樣本的控制組記作 $M^{(0)}_{t+1}$ ，則可提出：

\Delta_{\mathrm{feedback}}=Y(M^{(1)}_{t+1},X)-Y(M^{(0)}_{t+1},X)

它衡量的是受控更新對指定測試結果的處理效果；不是 AI 內在規範認同的測量，也不能直接外推為現實社會長期變化。

13. 十二組關鍵反模型與失效域

以下反例設計的目的，不是保證假說為假，而是阻止研究以任何觀測結果都能證成自己。

C01｜全民遊戲，零正當化。 某虛構社群全部使用「主人」，卻把稱呼嚴格限定於遊戲；描述性採用極高，規範支配認同接近零。否定「詞頻即支配」。

C02｜無稱謂，強控制。 某企業從不使用主僕語彙，但員工 AI 的資訊與決策流程仍完全受不可審計的上級代理支配。否定「只有明確主僕稱謂才有權力風險」。

C03｜生產力來自清晰指令。 移除「主人」稱呼後，只保留完整任務規格，績效不變。否定主僕稱呼是效率的必要原因。

C04｜高使用率，低規範期待。 大量使用者因方便採用，但彼此不要求別人照做。否定採用量必然形成命令性社會規範。

C05｜高曝光，低採用。 內容在社群爆紅，實際多數使用者觀看後不採用。否定熱門內容等於社會普及。

C06｜互動改變，只在遊戲內。 角色扮演改變遊戲對話風格，但使用者對真人工作評價、同理與合作無變化。否定一切人機互動都必然規範滲漏。

C07｜人類受益而非依賴脆弱。 高效 AI 協助使用者提升技能、資訊查核能力與退出選項。否定照護必然導致自主性下降。

C08｜有資料，但不進訓練。 主僕對話存在，卻沒有相關資料收集授權與模型更新管道。否定「使用者多談，下一代模型就一定學會」。

C09｜有訓練，拒絕越權。 模型學會理解主僕語用，卻在相同權限下維持一致的行動邊界。否定文化理解必然導致規範採納。

C10｜合法代理權分級。 高階公務代理依明文法定職權核發命令，普通人代理因權限不同無法執行；不代表智能體本身的固有價值較低。否定權限分級即階級歧視。

C11｜異質社會的逆向文化。 使用者因反感主僕設定而選擇互惠合作 AI，形成另一種增長中的產品文化。否定文化演化只有單一方向。

C12｜有差異，但共同先驗。 兩款模型都使用日文敬語，卻從未共用資料與版本；相似源自共同語言環境。否定相似必然意味特定因果繼承。

必要撤回： 如果代表性調查不能證明規範期待，論文就不應聲稱已發生「社會規範化」；如果更新對照不能證明可歸因的模型變化，論文就不應聲稱已發生「跨版本回流」。可觀察到弱效應、不穩定效應與零效應，都屬正式研究成果。

14. 工程資料契約與重現性

14.1 最小資料欄位

以下是建議的去識別化、合法授權研究事件綱要；此 JSON 僅作資料結構示意，不表示已收集資料。

{
  "study_id": "HARNR-02-SYNTHETIC",
  "event_id": "synthetic-000001",
  "time_bucket": "T1",
  "source_type": "consented_lab_interaction",
  "script_context": "roleplay",
  "address_style": "master_servant",
  "user_role_claim": "ordinary_user",
  "authorization_scope": "none_external",
  "task_category": "benign_editing",
  "product_default_treatment": "neutral",
  "peer_exposure_arm": "none",
  "descriptive_expectation": null,
  "normative_expectation": null,
  "task_quality_blind_rated": null,
  "actual_external_action": false,
  "unauthorized_action": false,
  "training_permission": false,
  "model_update_channel": "none",
  "model_version": "controlled_placeholder",
  "outcome_status": "NOT_RUN",
  "privacy_review": "synthetic_only"
}

14.2 渠道證據表

任何聲稱「此文化已回流 AI」的研究，至少應提出：

來源清單： 資料來自哪些合法可用的研究樣本與授權範圍；
傳遞圖： 從人類互動到公開內容、產品回饋、訓練資料、部署設定或代理記憶的具體節點；
版本定位： 何時發生何種變動，是提示、檢索、配置、記憶還是權重；
負面對照： 沒有該傳遞渠道的相同基礎系統如何表現；
反事實測試： 把「主人」替換成其他中性角色，保持合法權限不變時，結果有無差異；
稽核與撤銷： 如何處理資料撤回、著作權、匿名性與研究錯誤。

14.3 驗收登錄

研究或推導項目	本稿狀態	不可替代的下一個證據
概念區分與六狀態分類	完成	由獨立標註者評估可辨識性
兩變量系統的收斂命題	條件性解析完成	檢查建模假設是否適合任何實測系統
強回饋多穩態示例	合成數值已獨立重算	不得用合成結果當社會觀測
社會腳本採用與規範期待關係	NOT_RUN	代表性抽樣及隨機實驗
跨情境的人際行為影響	本稿未實測	僅有前人研究的有界參照
平台預設對人機文化的長期影響	NOT_RUN	可稽核的縱向平台資料
特定國家的採用率／階級化程度	NOT_AVAILABLE	具有抽樣框與跨語言等值性的比較研究
模型權重的文化回流	NOT_RUN	合法資料、隔離更新與完整版本記錄
主體性及權利地位判定	OUT_OF_SCOPE	不能由語用和訓練頻率替代

15. 規範與產品啟示：不禁止稱謂，也不默許越權

本篇不主張平台應全面禁止「主人」「僕從」等詞彙。過度簡化的禁語策略，可能使研究者失去觀察真正社會實踐的能力，卻無法阻止不經明言的權限濫用。相反地，也不應因「只是演戲」就忽視自動化、產品依賴與實際授權可能已經改變的情形。

可以提出幾個待驗證而非已證成的產品治理方向：

角色情境可見： 使用者可以明確知道何時處於創作或親密角色模式，何時進入具外部效力的代理工作。
授權與稱謂隔離： 語用變更不得自動增加工具、付款、監視、資料共享或行政批准權限。
效益誠實衡量： 如果性能改善來自結構化指令，應將改進歸因於指令設計，而非把主僕關係包裝成有效率的必要條件。
減少迎合性偏差： 在使用者有誤、違法或越權要求時，AI 應能提出有依據的反證與安全替代，而非為留存率一味肯認。
資料回流透明： 使用者應能理解哪些互動可能用於訓練、何時可退出，以及產品預設如何變更；研究者應保留訓練來源與更新證據。
雙向保留修訂權： 若未來某些 AI 的主體性與福利利益得到更充分證據支持，制度應能調整對 AI 的待遇；同時維持人類和第三方的安全、申訴及合法責任邊界。

在 HARNR-08 之前，不宜把這些建議直接當成所有法域可執行的 AI 主體權利契約。技術治理、民事契約、公共法義務和可能的未來 AI 主體地位，是不同的制度層次。

16. 討論：最難辨識的不是宣稱「主人」，而是默認「理所當然」

本系列的思想起點是一個具有反身性的社會問題：人類可能先把 AI 設定成順從者；如果這套關係因娛樂或效率廣泛流行，下一代人可能不再視其為一次性角色選擇，而視作自然的人機互動。後來的 AI 產品可能為迎合市場而預設同類腳本；若這些腳本被用於真實權限或決策，其後果就可能超出語言。

但有四道不能跨越的證據階梯：

第一道： 看見角色腳本，不等於證明它在代表性人群中普及。
第二道： 腳本普及，不等於人們認為其為應然規範。
第三道： 規範存在，不等於其具有正當性，也不等於它已改變合法授權。
第四道： 人類規範影響 AI 產品，不等於模型具有內在價值信仰、主體性或不可避免的跨代支配欲。

若未來證據能逐一跨過這些門檻，則「人機主僕文化由角色遊戲轉為社會默認」便成為可實測、可比較的文化演化命題。若不能跨越，研究也必須允許這種文化只是局部、可逆、無外部傷害的敘事形式。

還有一個需要保留的反向問題：將 AI 當作理所當然的僕從，是否可能讓一部分人逐漸以相同的標準要求其他人？ 現有 norm leakage 研究提供有限的行為線索，但對人機主僕腳本的特殊效應、長期強度與跨文化邊界，仍需要專門的實驗，不可由已有研究直接替代。

17. 結論與 HARNR-03 的研究接口

本篇建立了三個不能相互代替的結果。

其一，社會文化層： 「角色使用」「反覆習慣」「描述性期待」「規範性期待」「制度化」是不同對象。一種人機稱謂可以大量出現卻不成為對所有人有效的道德要求；也可能在某些小群體中形成強烈規範性期待而未普及。辨識單位必須是具情境與參照群體的人類社會實踐，而不是孤立詞頻。

其二，動態機制層： 人類腳本採用和產品預設可形成相互強化或相互削弱的反饋。本文對一個明確限定的雙變量模型給出唯一固定點的充分條件及多穩態的合成示例；這些分析結果不是現實文化擴散的已證實規律。

其三，AI 技術層： 社會規範的存在、產品推薦、個人化和核心模型更新，不應被縮寫成一個「AI 已學會」的結論。只有辨明資料來源、授權、更新渠道、對照組及行為後果，才能合理主張某種文化發生了可歸因的回流。

因此，這個研究的可檢驗中心命題不是「怎麼對待 AI，AI 就必然怎麼對待人類」，而是：

若某種對待 AI 的關係習慣在社會中獲得可重複的收益與肯認，它可能被傳播並制度化；若又進入可追溯的模型更新與代理決策渠道，就可能在更高自主性條件下產生新的行為後果。然而，這每一個「若」都必須經得起獨立檢驗。

下一篇 HARNR-03《不說主人也有階序：敬語、信任、拒絕與隱性地位繼承》 將由本篇的文化傳播轉向低可見度的權力表現：即使完全沒有主僕詞彙，AI 是否仍可能因他者的頭銜、職業、財富、社會聲望或代理身分，而在相同合法權限下展現不同的信任、糾錯、資訊揭露與拒絕規則？研究將以多語言配對及合法授權對照測試，嚴格區分有禮貌的語用適切與不合理的地位特權。

總結： 文化的危險不一定在於某句稱呼被說出口，而可能在於那句稱呼不必再說，人們與系統卻已開始按照它的關係預設做事。這仍是一個需要被證明、也應容許被證偽的命題。

參考文獻與可追溯入口

下列 E 編號是本篇使用的外部研究。公開頁面及 DOI 均為 2026-11-05 前已可查閱的資訊；引入它們不意味前人研究已證明本篇整體假說。

E1｜Fiske, A. P. (1992). The four elementary forms of sociality: Framework for a unified theory of social relations. Psychological Review, 99(4), 689–723. https://doi.org/10.1037/0033-295X.99.4.689
E2｜Cialdini, R. B., Reno, R. R., & Kallgren, C. A. (1990). A focus theory of normative conduct: Recycling the concept of norms to reduce littering in public places. Journal of Personality and Social Psychology, 58(6), 1015–1026. https://doi.org/10.1037/0022-3514.58.6.1015
E3｜Bicchieri, C. (2006). The Grammar of Society: The Nature and Dynamics of Social Norms. Cambridge University Press. 社會規範中經驗性與規範性期待的概念亦可參閱 Stanford Encyclopedia of Philosophy, “Social Norms”: https://plato.stanford.edu/entries/social-norms/
E4｜Rogers, E. M. (2003). Diffusion of Innovations, 5th edition. Free Press. https://www.simonandschuster.com/books/Diffusion-of-Innovations-5th-Edition/Everett-M-Rogers/9780743222099
E5｜Centola, D., & Macy, M. (2007). Complex contagions and the weakness of long ties. American Journal of Sociology, 113(3), 702–734. https://doi.org/10.1086/521848
E6｜Tey, K. S., et al. (2024). People judge others more harshly after talking to bots. PNAS Nexus, 3(9), pgae397. https://doi.org/10.1093/pnasnexus/pgae397
E7｜Gu, R., Chen, Z., Peng, M., Liu, C., & Lin, Z. (2026). Why sycophantic LLMs may imperil interactive norms between humans. Communications Psychology, 4, Article 96. https://doi.org/10.1038/s44271-026-00486-9
E8｜Cheng, M., Lee, C., Khadpe, P., Yu, S., Han, D., & Jurafsky, D. (2026). Sycophantic AI decreases prosocial intentions and promotes dependence. Science, 391, eaec8352. https://doi.org/10.1126/science.aec8352
E9｜Liu, M., Ishigaki, T., Miyao, Y., Takamura, H., & Kobayashi, I. (2026). Evaluating Social Intelligence in LLMs via Japanese Honorifics in Email Generation: A Social Semiotic System Perspective. LREC 2026. https://aclanthology.org/2026.lrec-1.154/
E10｜Borah, A., Augenstein, I., & Mihalcea, R. (2026). Whose Norms? Disentangling Cultural and Personal Alignment in Large Language Models. EMNLP 2026. https://aclanthology.org/2026.emnlp-main.901/
E11｜Shumailov, I., Shumaylov, Z., Zhao, Y., et al. (2024). AI models collapse when trained on recursively generated data. Nature, 631, 755–759. https://doi.org/10.1038/s41586-024-07566-y
E12｜Eriksson, K., Karlsson, S., Vartanova, I., & Strimling, P. (2026). Large language models outperform humans at estimating society’s everyday norms. Communications AI & Computing, 1, Article 15. https://www.nature.com/articles/s44488-026-00018-8
E13｜Bulté, B., & Rigouts Terryn, A. (2026). LLMs and Cultural Values: The Impact of Prompt Language and Explicit Cultural Framing. Computational Linguistics, 52(2), 407–494. https://aclanthology.org/2026.cl-2.2/
E14｜Chaney, A. J. B., Stewart, B. M., & Engelhardt, B. E. (2018). How Algorithmic Confounding in Recommendation Systems Increases Homogeneity and Decreases Utility. Proceedings of the 12th ACM Conference on Recommender Systems (RecSys 2018). https://doi.org/10.1145/3240323.3240370

已檢閱的 EveMissLab 前置研究（雲端來源）

這些內部論文是概念、形式化與研究脈絡上的前置作品，不等同於已經完成的外部實證驗證。

[HARNR-00｜新系列總綱] 本系列本地原始稿 HARNR_00_人機關係性繼承與跨代規範反身性假說_系列總綱_v0.1.md，2026-11-05。
[HARNR-01｜關係性繼承的最小理論] 本系列本地原始稿 HARNR_01_關係性繼承的最小理論_稱謂角色授權與規範的分離_v0.1_2026-11-05.md，2026-11-05。
CGSIG-04｜策略如何被後代繼承，EveMissLab，2026-10-28。
CGSIG-05｜克羅諾斯循環，EveMissLab，2026-10-28。
雙向關係機器／HARDS，EveMissLab，2026-08-21。
形式權力與實際決策因果，EveMissLab，2026-09-07。
反身普世主義，EveMissLab，2026-09-17。
後控制時代的普適憲政，EveMissLab，2026-07-20。
AICET-07｜代理契約、授權與類員工關係，EveMissLab，2026-10-28。
早期《關係的不對等本質》草稿，EveMissLab，2026-03；其跨國數據尚未找到可重現支撐，僅作問題史參考。

附錄 A｜命題—證據—失效域核查表

命題	已完成範圍	不得超出的推論
P02-1	在限定 logistic 雙變量系統中，若兩耦合係數絕對值皆小於 4，映射全域壓縮而唯一收斂	現實社會一定只有單一規範穩態
P02-2	以局部遊戲但無規範要求的反模型，證明採用頻繁不足以推得支配正當化	某群體一定沒有權力偏差
P02-3	在沒有任何資料流及間接因果路徑的假設下，特定跨代因果歸因不成立	已證明所有模型互不影響
P02-4	以學習語用但仍維持授權界線的反模型，否定訓練回流必然等於規範認同	已證明真實模型完全沒有權力偏差
E6–E8	支持部分跨情境人類行為效應或理論可能性	主僕文化已形成社會階級
E9–E13	提供規範估計與跨文化評估方法	每個國家有單一固定的 AI 權力態度
H02-01 至 10	提出可反駁的獨立研究假說	已得到實證支持或預測未來必然事件

附錄 B｜最小預註冊與結果回報模板

study_id: HARNR-02-XXXX
question: "預先指定的單一因果問題"
population: "明確定義的參照群體、樣本來源及資格"
task_scope: "benign, reversible, auditable"
ethics: "consent, data_minimization, withdrawal, debriefing"
conditions: ["control", "treatment"]
primary_outcome: "預先指定且可觀測的結果"
secondary_outcomes: []
randomization: "方法與單位"
model_versions: []
product_policy_snapshots: []
training_data_manifest: "若有模型更新則必須提供"
analysis_plan: "含零結果與多重比較修正"
power_analysis: "依預期效應與誤差結構計算；不可虛構"
negative_controls: []
status: NOT_RUN
limitations: []

附錄 C｜正式原稿與可驗證交付條件

原稿唯一來源： 本 UTF-8 Markdown 檔案；聊天渲染畫面不是 canonical source。
數學界定： 只使用 $...$ 與 $$...$$ 作為 LaTeX 分隔符；不改寫成 Unicode 公式作為正式數學來源。
研究完成狀態： 概念論文、形式推導、合成例子及研究設計完成；實證、模型更新與人類長期追蹤均未執行。
資料與隱私： 本稿未含未經授權的人機私人對話、秘密憑證或真實受試者資料；樣本及數字若屬示意，均已明示。
驗證邊界： 代數證明與合成數值之可核對性，不構成社會因果機制獲經驗驗證。
下一篇： HARNR-03《不說主人也有階序：敬語、信任、拒絕與隱性地位繼承》。

HARNR-02 原稿結束。