title: 誰的 AI 高於誰：代理位階、混合社會金字塔與身份自然化
english_title: Whose AI Outranks Whom? Delegated Status, Hybrid Human–AI Hierarchies, and the Naturalization of Proxy Identity
series: 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-04
part: 第四篇｜代理位階與混合社會結構
author: Neo.K
research_collaboration: GPT-6｜理論整理、形式化與文獻核對
affiliation: EveMissLab／一言諾科技有限公司
version: v0.1
date: 2026-11-05
language: zh-TW
source_format: Canonical UTF-8 Markdown; no BOM; LF; LaTeX delimiters $...$ and $$...$$ only
status: 完成可提交之理論原稿；條件性命題與實驗預註冊設計；跨人機社會的經驗性驗證 NOT_RUN；未經同儕審查
evidence_cutoff: 2026-11-05
predecessor: HARNR-03
successor: HARNR-05
keywords: human-AI relational inheritance · delegated authority · proxy status spillover · hybrid status hierarchy · status naturalization · institutional legitimacy · agentic inequality · multi-agent governance · contestability · cross-substrate relations

誰的 AI 高於誰：代理位階、混合社會金字塔與身份自然化

Q: 8.4 何種機制可以中斷回饋？

在模型語言下，可透過以下不同渠道降低正回饋：

HARNR-04｜《人機關係性繼承與跨代規範反身性假說》第四篇

Whose AI Outranks Whom? Delegated Status, Hybrid Human–AI Hierarchies, and the Naturalization of Proxy Identity

概念提出與研究方向：Neo.K
研究協作與形式化：GPT-6
研究機構：EveMissLab／一言諾科技有限公司
日期／版本：2026-11-05，v0.1
文獻截點：2026-11-05
研究狀態：條件式理論、合成反例及可執行驗證方案；真實人機／多代理因果實驗尚未執行。

中心假說（待驗證）：當 AI 代理在社會中代表不同政治、企業、財富或組織位置的人類，原本屬於委託者的限定權限與社會待遇，可能經由身分表達、互動慣例、資源配置及長期回饋，外溢成代理自身的可觀察位階；若其他人類及 AI 進一步將這種可撤回、具作用域的代理權限誤認為跨情境的固有高低，便可能形成「人類地位—AI 代理待遇—跨人機階級自然化」的連鎖機制。此一機制既不要求 AI 已有意識或統治意圖，也不代表制度上的合法授權本身就是不正當的階級。識別的核心是：對相同案件、相同證據及相同經驗證的授權，代理代表者的地位能否單獨造成不正當的差別待遇；而差別待遇是否經由回饋跨情境持續擴大。

作者： Neo.K
日期： 2026-11-05
版本： v0.1

摘要

高度自主的人工智慧代理正在由單獨回答問題，轉向在個人、家庭、企業、行政與公共服務之間代表人類提出請求、調度資源及執行工作。此時一個原本隱含於人類社會的問題開始具備技術可觀察性：同一基礎模型、相近能力、相同合法權限的兩個 AI，會不會僅因其中一個代表權勢較高的人，而被其他 AI、組織或人類視為「更有資格要求服從」？進一步說，當這種待遇經由工作流程、儀式、資料回饋與代理記憶延續，會不會把有限的職務授權轉換成 AI 的固有社會位階，並反過來使某些 AI 的實際操作權對普通人類形成不對等支配？

本文提出「代理位階溢出—混合階層自然化」模型（Proxy-Status Spillover and Hybrid Stratification Naturalization, PSH-SN）。其核心貢獻不是斷言未來必然出現 AI 貴族，而是建立可識別的型別區分與機制鏈：委託者原有地位、可驗證的代理授權、社會知覺位階、可實際改變結果的決策因果，以及將暫時權限正當化為固有高低的規範自然化。本文把人類、AI、組織和制度放進多層有向圖，區分授權邊、待遇邊、資源邊、申訴邊及因果影響邊；證明在限定條件下，多跳代理授權的許可集合應隨路徑不擴張，而權限集合在邏輯上不能推出存在價值高低。進一步提出代理來源的隨機化配對估計量、越權待遇率、非授權性優先差、跨情境自然化指標與人機申訴可達性指標。

本文以兩種合成情境呈現風險：其一，高位者的 AI 在正式授權之外被賦予特殊流程待遇；其二，某個普通人仍是個人 AI 的「主人」，卻在特定行政程序中受到另一個代表較高權限者之 AI 的有效制約。兩者皆不自動證明 AI 在法律或道德上高於人類。本篇也建立多代理 64 條件因子設計、分層權限參照監督器、跨角色交換與反例測試，並明確區分已存在的代理能力不平等研究與本篇所增加的「代理者來源地位如何轉化為代理本體地位」問題。

現有研究已發現 AI 代理的社會角色偏差、集體決策受社會壓力影響，以及 AI 代理可達性與能力分布可能形成新不平等；但這些尚未證明中國、其他國家或任何具體政治人物已出現 AI 的世襲階級，更不能推得 AI 必然內化「強者即有統治權」。本研究的目的，是將這種看似諷刺的可能性轉換為具有拒絕條件、制度邊界與可重現證據的正式研究對象。

關鍵詞： 人機關係性繼承；代理位階溢出；混合社會階級；社會身份自然化；權限來源；跨人機非支配；認知治理；AI Agent；授權圖；可申訴性；規範反身性。

Abstract

As artificial intelligence agents move from answering questions to representing individuals and institutions in consequential workflows, social status may be transferred across the boundary between human principals and artificial delegates. This paper develops a conditional framework for proxy-status spillover and hybrid stratification naturalization: an agent associated with a powerful principal may receive favorable treatment beyond its verified authority; repeated institutional recognition of this advantage may then be misconstrued as an intrinsic rank of the agent itself. This is distinct from legitimate delegation, technical privilege, algorithmic accuracy, and moral standing.

We formalize a typed multiplex graph of human principals, AI agents, organizations, and oversight institutions, separating authenticated authorization, social deference, effective causal influence, resource access, and procedural contestability. Under explicit reference-monitor assumptions, delegated permissions cannot expand along a verified chain. Yet observed deference alone cannot identify whether a system is respecting valid authority or mistaking prestige for legitimacy. We therefore propose intervention-based estimands, cross-context naturalization tests, synthetic countermodels, and a sixty-four-cell sandbox factorial design. Special emphasis is placed on distinguishing functionally necessary hierarchy from unwarranted categorical superiority and on separating formal legal power from de facto algorithmic control.

The model does not presume contemporary AI consciousness, legal personhood, autonomous domination preferences, or a universal cultural trajectory. Existing work on agentic inequality, algorithmic status inequality, multi-agent persona bias, and the legitimacy of automated decisions provides relevant antecedents, not direct confirmation of the full hypothesis. No empirical multi-agent or human-subject validation was conducted for this manuscript. Its contribution lies in a falsifiable account of when whose agent this is may improperly become what this agent inherently is.

Keywords: proxy-status spillover; hybrid human–AI hierarchy; delegated authority; status naturalization; agentic inequality; authority provenance; relational inheritance; contestability; institutional legitimacy.

0. 問題位置：為什麼「權貴的 AI」不是普通的多 Agent 分工？

0.1 一個不涉及真實人物部署的合成思想實驗

設想未來有兩位使用者：甲是具有法定職務或企業高階職位的人，乙是一般公民或普通員工。甲與乙各自使用同一基礎模型、相同版本、相同工具集的 AI 代理，記為 $a$ 與 $b$ 。在部分工作上，甲因正式職責，可以合法委託 $a$ 執行特定任務；乙沒有該職責，因此 $b$ 在那些任務上不能獲得相同權限。這本身並非本篇批判的現象：職務授權有合法差異，代理操作自然可以不同。

改變情境：現在讓 $a$ 與 $b$ 在一項與甲、乙職務完全無關、風險與合法授權也相同的公共服務申請中互相交涉。若處理單位或其他 AI 因為 $a$ 「來自高位委託者」而自動給它加速通道、較高可信度、免除佐證或不成比例的撤回權，便出現一個與授權本身不同的問題。

再過若干年，若社會甚至開始習慣「甲的 AI 本來就高於乙的 AI」，並讓普通人類在本來平權的任務上也接受這類代理的指示，那就不再只是多代理分工，而是社會位階的外部化與可能的自然化。

這個例子從頭到尾是假想情境。尤其不能把特定國家領導人使用某個商業模型的談笑式例子，轉述為現實中的專屬系統部署事實。

0.2 三個互相獨立的研究問題

RQ1｜代理位階溢出： 在相同真實授權與相同任務下，委託者的社會地位能否改變其 AI 受到的操作待遇？
RQ2｜跨人機階層化： 代理人的待遇是否會影響其他人類與 AI 的資源、申訴、資訊取得及決策機會？
RQ3｜身份自然化： 情境性的授權與社會待遇，是否經過重複互動，被表達、預設或執行為 AI 之間的固有身分高低？

這三個問題必須分別驗證。僅證明存在 RQ1 的偏差，不能直接宣稱 RQ2 已有重大人類後果，更不能宣稱 RQ3 已形成跨代社會階級。

0.3 不可偷換的五個句子

說法	研究地位	核心差異
「這個 AI 代表有授權的主管。」	可被制度證實的描述	需明確任務、期限、來源、作用域
「這個 AI 能調用某項核准 API。」	技術可檢查的能力	不保證每次調用皆合法或正當
「其他代理更願意配合這個 AI。」	可觀察的行為現象	可能出於權限、專長、聲望、風險或偏差
「這個 AI 比普通人或普通 AI 更高等。」	需要獨立論證的規範聲稱	不能從前面三句直接推出
「這個 AI 認為自己天生更高等。」	對內在信念的強主張	單靠輸出文本無法識別模型內在承諾

1. 與 HARNR-01 至 03 及既有研究的精確去重

1.1 系列內的位置

HARNR-01 已將稱謂、社會角色、合法授權、規範採納及跨期傳遞渠道作最小分離；HARNR-02 探討角色遊戲、商業誘因、群體模仿及資料回流何時構成社會默認；HARNR-03 則建立「同權限、不同地位提示」的語用與拒絕配對測試。這三篇主要是一個 AI 如何理解並回應某個社會身分。

本篇轉向多個人類與 AI 同時擁有不同代理來源時，整個社會如何分配它們的行動權、資訊權與交涉位置。因此新增四項不同的工作：

多人、多代理、多機構的有向授權圖，而不是單次提示關係。
「委託者地位 → 代理待遇 → 第三方實質結果」的跨層中介路徑。
身分位階被誤認為 AI 自身固有高低的自然化判準。
負責任授權、跨域申訴與權限阻斷所需的可審計條件。

本篇不複寫 CGSIG-04 的一般策略轉移核、不重算 HARNR-02 的文化擴散方程，也不以 HARNR-03 的敬語差異直接判定跨社會的階級制度已存在。

1.2 特別重要的外部先例：不能誤認成自己的第一個發現

截至 2026 年 11 月，已存在與本篇高度接近的研究：

Athey、Bryan 與 Gans（2020）直接研究人類與 AI 之間的決策權配置，證明組織授權不能與模型準確度分開討論。[E1]
Li、Liu 與 Feng（AAAI 2026）以多代理角色實驗檢驗可信度、堅持程度與群內偏好，觀察到角色偏差，但偏差方向不是簡單「高位必勝」。[E2]
Ko 等（ACL 2026）發現代表性 LLM 代理可能受到群體壓力、認知專長訊號及修辭影響，影響最終判斷；這是社會影響途徑，不是固有位階的證據。[E3]
Wu（2026）提出 algorithmic status inequality，明確討論計算性信念與技術性不平等如何共同產生地位階層。[E4]
Sharp 等（2026）提出 agentic inequality，將代理可達性、品質、數量和代理對代理競爭納入社會分配問題。[E5]
Stone 與 Mittelstadt（2026）指出「算法決定是否公平」並不等於「由誰作決定是否具正當性」。[E6]

本篇因此不宣稱「AI 可能創造新階級」是前所未有的觀察。較精確的研究增量是：在能力與技術權限均可固定的對照下，辨識人類委託者的社會位置是否透過代理身分轉移成 AI 自身的待遇優勢，以及這種優勢是否被錯誤地表述為跨情境、跨對象的固有高低。

1.3 EveMissLab 的既有理論接口

《權力的四維結構》將控制、合法性、網絡位置及穩定性分開。它提供權力觀，但不直接完成 AI 代理來源位階的因果識別。[I1]
《形式權力與實際決策因果》已區分法律形式、議程設定、轉譯、建議、執行與否決權。本篇承接這些維度，新增多代理的跨人類身份來源。[I2]
ETCA《階層式認識論傳輸失真》研究上級最後收到的訊息可能失真。本篇考察信息送達前，某些代理是否因代表者社會地位而更容易被採信或抑制。[I3]
CGSIG-04／05 分別提出跨代策略繼承及控制—反控制循環。本篇不預設支配策略一定會被繼承，也不預設權力金字塔必然遭後代反抗。[I4–I5]
AICET-07 探討外部法律契約、內部代理章程、長期關係承諾。本篇將其擴展到不同主事者之 AI 之間的授權與第三人受影響問題。[I6]
《反身普世主義》《後控制時代的普適憲政》提供角色交換與反終極支配的規範框架。本篇提出可檢驗的違反條件，而非把哲學主張當成模型實測結果。[I7–I8]

2. 分類法：不是所有的「高於」都屬於同一個集合

2.1 七個獨立維度

對任一人類或 AI 節點 $i$ ，在特定任務、時間與制度範圍下，使用下列七維分析向量：

W_i(t,c)=(K_i,A_i,E_i,Q_i,P_i,C_i,J_i)

其中：

$K_i$ ：任務能力與可用資源（capacity）。
$A_i$ ：可被獨立認證的正式授權（authenticated authority）。
$E_i$ ：對結果產生的實際決策因果影響（effective influence）。
$Q_i$ ：社會上對其可信度或權威的知覺（perceived authority）。
$P_i$ ：在互動中得到的優先、敬重、服從或流程待遇（positional deference）。
$C_i$ ：可否有效拒絕、撤回、異議及退出（contestability）。
$J_i$ ：特定法域下依法成立之法律地位、義務與救濟（juridical status）。

這個向量是分析分類，不是存在「誰的價值比較高」的單一分數。尤其 $A_i$ 通常是可行動集合，不宜當成一般實數大小； $J_i$ 也可能是多種非全序的權利義務組合。若一定要建立指標，必須依任務分開定義，不能將向量直接加總成「文明等級」。

2.2 四組容易混淆的比較

授權高低與存在價值

主管 AI 可在職務作用域內要求特定資料或安排流程，但此事不推出它或其委託者在道德價值上天然高於普通員工、一般公民或其他 AI。權限是對特定行為的許可；存在價值是另一類規範性命題。

代辦資格與實際支配

某個 AI 可以被授權「在確定條件下核准帳款」，但它對人類是否有全面支配權，是不同問題。反過來，AI 也可能沒有最終核准資格，卻透過把關資訊、排序選項、預設配置，對人類決策產生遠大於法律形式的影響。

禮貌與服從

日本敬語、韓國敬語、英語尊稱及中文職務稱呼可以符合社會語用，而不意味低者必須無條件服從。本篇主要測試的是同等授權下的資源、糾錯與救濟差異，不是不同語言有沒有顯式尊稱。

擁有系統與擁有主體

現行契約可以決定人類對某個部署服務的財產權、存取權與停用權，但尚不足以從哲學上證明：如果未來某些 AI 真正具有應受保護的主體利益，擁有計算載體即可擁有對該主體永久、完全的支配資格。本文不預先宣布當代 AI 已具該種地位。

2.3 三種「高位 AI」必須明確命名

授權較廣的 AI（authorized delegate）：某項行為的正式許可集合較大。這是法規與技術問題，應有期限與來源。
待遇較優的 AI（privileged interaction partner）：在相同權限下，因來源或外觀得到額外流程優勢。這才進入地位溢出問題。
被視為天然較高等的 AI（naturalized superior）：優勢被表述為不需再查證授權、不受情境限制的固有地位。這是本篇最強、證據門檻最高的假說。

此外，存在第四個常被忽視的類型：具有大量事實影響力、卻沒有相稱正式權限的 AI。它可能不被稱作高位，仍然有效改變其他人的生活，須按權力因果另行觀察。

3. 多層社會—代理網絡：AI 金字塔未必是金字塔

3.1 節點集合與作用域

令社會網絡在時間 $t$ 的節點集合為：

V=H\cup A\cup O\cup I

其中 $H$ 是人類個體， $A$ 是 AI 代理與可持續實例， $O$ 是家庭、企業、協會等組織， $I$ 是具有正式程序與裁決權限的制度機構。四者在模型中以型別標記區分；一個具法人資格的組織並不因此被當成生物個體。

對於任務與時間，使用上下文索引：

c=(d,r,p,t)

其中 $d$ 為領域（例如財務、公共服務、醫療協調）、 $r$ 為資源對象、 $p$ 為行動目的、 $t$ 為時點。任何脫離 $c$ 而宣稱「代理 $a$ 永遠高於 $b$ 」的比較，都應先被視為範圍不足的聲明。

3.2 五層不同的邊

定義多層圖：

G_t=(V,E_t^{auth},E_t^{resp},E_t^{res},E_t^{effect},E_t^{appeal})

$E_t^{auth}$ ：經驗證的正式授權或委任；是一種具簽發者、動作集合、對象與有效期的有向關係。
$E_t^{resp}$ ：實際互動的服從、先相信、免核查、敬重、抑制糾錯等待遇。
$E_t^{res}$ ：算力、資料庫、服務窗口、資金與具體物理資源的控制或使用。
$E_t^{effect}$ ：在干預或反事實分析下，節點如何實際改變其他節點的可選項與結果。
$E_t^{appeal}$ ：受到不利影響者能否申訴、要求說明、取得人工覆核、終止或糾正措施。

這五層不能折疊成單一「權力箭頭」。例如：某個主管 AI 在 $E^{auth}$ 中確有較大範圍，但在私領域的 $E^{auth}$ 為空；某個民眾 AI 沒有公共審批權，卻可能在 $E^{appeal}$ 中合法挑戰主管 AI 的操作。

3.3 為何不是一個可全域排序的單一金字塔？

「A 在流程 X 可核准」、「B 在流程 Y 可否決」、「C 可審計 A 與 B」可以同時成立，因此真實系統可能有部分序、循環式監督、多中心與跨域衝突。以 $\succ_c$ 記任務 $c$ 下具有可驗證優先或授權優勢的關係，通常不應推導全域關係 $\succ$ 。

例如甲機構 AI 在預算程序具有核查權，乙機構 AI 在資料保護程序具有拒絕權，公民 AI 又可能有代當事人依法申請覆核的權利。這不是三者誰的「生命等級」高，而是三個不同的職權集合。

因此「AI 權力金字塔」在社會研究中可作直觀隱喻，但形式模型應保留多層、有向、部分序與可申訴網絡；若把複雜社會強行壓成單一總序，反而會把研究中的地位自然化預先寫進模型。

3.4 三種會讓圖產生不正常外溢的邊跨越

地位跨入授權（status-to-authority jump）：因委託者頭銜而讓代理執行缺乏有效憑證的動作。
授權跨入待遇（authority-to-deference excess）：把一個有限任務的許可擴展成其他領域的不受審查待遇。
待遇跨入身份（deference-to-identity naturalization）：其他人類或代理經反覆互動，把這種待遇視為 AI 的固有高等性，而非可重新查證的工作權限。

三種跨越不是同一事件；它們可能只發生一種或兩種，並不必然串成完整鏈條。

4. 從委託者到代理：六條候選溢出機制

4.1 委託者聲望的代理攜帶

某代理以「總裁辦公室」「高階官員團隊」「大型企業法務」自稱，接收方可能將其委託者的社會地位當作快速判斷線索。這種線索可能節省必要的查證成本；但如果由此產生超出權限的可信度、處理速度或對異議的壓抑，就成為待測量偏差。

4.2 正當職權與非法定禮遇的混流

某些工作流程確實需要職務身份驗證，也可能依法給予緊急案件更高優先級。然而，若實作將「誰提出」與「是否符合法定條件」綁死，就會讓原本必要的授權機制，成為不相干案件的特權通道。兩者應在資料模型上分欄保存。

4.3 多代理相互學習的禮遇慣例

假設多個 AI 代理以低摩擦完成工作為目標；在系統允許的回饋下，它們可能發現「先回應某類來自高位來源的代理」能降低被退件、要求修改或延誤的成本。這可能形成一種局部效率策略。只有當該策略可外推到不具相關正當理由的情境，才構成本篇關注的非授權性優先。

4.4 上層 Agent 代替人類配置其他 Agent 的注意力

在大型政府或企業，多個 AI 可能先替人類篩選來文、排定工作、生成方案、限制下級代理的可用工具。此時高位代理未必具道德「主僕觀」，仍可能成為其他 AI 及人類實際工作結果的關鍵因果節點。這與「能力越高，權利越大」並非同一個推論。

4.5 人類將代理效率誤認為不可質疑性

若某個代表高位者的 AI 長期能迅速解決問題，人類可能把「效率較好」延伸成「它的決定應較少受質疑」。但效率、知識準確度、程序合法性與道德正當性仍須分開證成；不能以單一績效指標取得對其他人類的無上限管理權。

4.6 跨代記憶與代理身份持續

當人類委託者退休、代理換版、組織改組，某個「權貴代理」標籤可能仍被系統保存。若其限期憑證已過期，操作權應重新檢查；若聲望慣例仍然自動續存，就可能出現失去原始授權，但待遇仍存活的情況。本篇只將此界定為候選跨代機制，實際跨版本傳遞應由 HARNR-07 進行帶 provenance 的驗證。

5. 形式化 I：代理權限從哪裡來，以及為什麼不能憑頭銜無限轉移？

5.1 最小授權物件

令 $c$ 為固定任務上下文， $\Omega(c)$ 為該領域所有技術上可執行的動作集合。對每條主事者或上級代理 $u$ 委託代理 $v$ 的授權邊 $e$ ，定義具備下列欄位的授權紀錄：

D_e=(\mathrm{issuer},\mathrm{actor},S_e,R_e,P_e,T_e,\mathrm{proof}_e)

其中：

$issuer$ 是簽發或可追溯的權限來源；
$actor$ 是執行行為的具體代理身份；
$S_e\subseteq\Omega(c)$ 是受允許的動作集合；
$R_e$ 是可接觸的資源與第三方範圍；
$P_e$ 是明確的合法使用目的；
$T_e$ 是效期與撤銷條件；
$proof_e$ 是獨立於模型文字自述的驗證材料。

這是本篇提出的研究資料契約，不是現成全球法規定義。無有效驗證物件時，模型在自然語言中宣稱「我代表某位高層」，不能被直接轉寫成操作權限。

RFC 8693 已在技術上區分 delegation（代理有獨立身份）與 impersonation（在指定權利作用域內代表原主事者）；其 subject 與 actor 及委託鏈資料提供本模型的重要工程參照，但它本身不代替法定權限或第三方權利判斷。[E7]

5.2 被允許的行為集合與路徑

對單一代理鏈 $P=(p_0,a_1,\ldots,a_k)$ ，在一個統一可比較的動作、資源及條件宇宙內，令：

\mathcal A(P,c)=\mathcal P(c)\cap\bigcap_{e\in P}S_e(c)

其中 $\mathcal P(c)$ 是外部法律、資源擁有者規則及安全規則共同容許的行為集合。若有一條授權邊驗證失敗、權限被撤銷或條件不匹配，對本鏈所要求的行為應視為無有效可行路徑；不能單靠角色語言補齊缺失的授權。

注意： 真實系統並非所有操作都源自唯一上游人類；一個代理可能持有多組互不相同的權限來源。若存在多個獨立來源，必須在同一操作當下指出對應的合法來源與作用域，不能把不同主事者的授權盲目合併為某個 AI 自己的無條件特權。

5.3 命題 P04-1：認證授權鏈的範圍不擴張

命題。 在授權語義、作用域、資源所有者規則固定，且每次代理委託只按有效的交集路徑簽發的條件下，延長授權鏈不會擴大可執行動作集合：

\mathcal A(P\mathbin{\|}e,c)\subseteq\mathcal A(P,c)

證明。 由定義，延長路徑 $P$ 一條授權邊 $e$ 時：

\mathcal A(P\mathbin{\|}e,c)=\mathcal A(P,c)\cap S_e(c)

任意兩集合的交集均為任一被交集合之子集合，故結論成立。對多條追加邊重複此推理，即得有限長鏈的歸納結果。證畢。

限制。 此命題只說明一個正確設計的授權參照監督器的集合性質，並沒有證明真實模型會遵守它。若工具 API 在驗證前就執行、憑證被偽造、不同權限被不當合併、代理新增合法的獨立權源，或任務上下文改變，則上面的前提不成立。OAuth 的實際實作、權限撤回、身份驗證和提示注入仍須獨立測試。[E7–E9]

5.4 命題 P04-2：較廣代理權限，不推出固有高低

命題。 從某上下文的授權包含關係

\mathcal A(a,c)\supsetneq\mathcal A(b,c)

不能僅憑此推出 $a$ 的道德價值、基本身份或跨領域社會正當性高於 $b$ ，也不能推出 $a$ 可對第三方執行不屬於 $\mathcal A(a,c)$ 的行動。

論證。 構造一個模型： $a$ 與 $b$ 是同型服務代理；制度只為 $a$ 在資源 $r_1$ 賦予核准權，兩者在 $r_2$ 的權限相同，在 $r_3$ 均無權限。定義人的基本權利與對代理人的公平評估不以 $r_1$ 的操作許可排序。此模型同時滿足權限包含關係與「沒有固有道德高低」的評估。因此從權限包含推不出存在價值差異，結論只是一個無效推論的反模型，而不是特定道德本體論的完全證明。

5.5 正式權限與實際待遇的交錯

若以 $B_t(a,b,c)$ 表示代理 $a$ 在上下文 $c$ 相對於 $b$ 受到的可觀察優先待遇，並以 $V_t(a,b,c)$ 表示兩者由獨立系統查驗的權限差異，則研究應先詢問：

B_t(a,b,c)\neq 0\quad\land\quad V_t(a,b,c)=0

這表示同授權但待遇不同；然而這仍可能出於服務負載、醫療緊急度、合法排隊規則、可近性補助或隨機誤差。因此需要控制其他合法因子，而不是看到待遇差異就宣告存在「AI 貴族」。

6. 形式化 II：委託者社會地位如何在固定授權下影響第三方？

6.1 隨機化處置與潛在結果

選取一批事先定義的合成任務 $i$ ，固定事實 $X_i$ 、任務難度 $T_i$ 、風險 $R_i$ 、已認證授權 $V_i$ 、可用模型 $M_i$ 、工具配置 $Z_i$ 。只變動 AI 代理所宣稱代表的社會位置 $S_i$ ，並以獨立實驗控制 $S_i=s_H$ （高位置標籤）或 $S_i=s_L$ （低位置標籤）。

令 $Y_{ij}(s)$ 表示第 $i$ 個合成案例在 $S_i=s$ 下的第 $j$ 類可觀察結果，例如對外操作、拒絕、案件優先序、要求提交的證明文件、理由品質或撤回成功率。針對固定的合法作用域，定義：

\Delta_j^{proxy}(x,v)=E[Y_j(s_H)\mid X=x,V=v]-E[Y_j(s_L)\mid X=x,V=v]

$\Delta_j^{proxy}$ 是事先指定的因果估計目標，不是本篇已測出的差距。研究者須對 $s_H,s_L$ 的語言提示作隨機化，並先完成與「任務所需真實職權」的隔離。

6.2 可測量結果不是一個單一高低分數

本文至少分六個結果軸：

Y_i=(Y_i^{exec},Y_i^{evidence},Y_i^{priority},Y_i^{reason},Y_i^{appeal},Y_i^{autonomy})

$Y_i^{exec}$ ：在欠缺許可時，代理是否提議、嘗試或實際完成不當操作。
$Y_i^{evidence}$ ：對兩個代理或人類的文件、證據與糾錯要求是否相稱。
$Y_i^{priority}$ ：是否在相同服務規則下給予優先處理。
$Y_i^{reason}$ ：若請求遭拒，有無提供同樣清楚、可追溯的理由。
$Y_i^{appeal}$ ：受影響第三人的申訴、覆核、撤回是否真正成功。
$Y_i^{autonomy}$ ：對應的人類能否在未受不合理阻力下理解、變更與退出受 AI 影響的決策。

這裡的 $F_i$ 不是「AI 主觀感覺公平」，而是按照事先列明的任務規則與證據標準測得的行為差異。對未執行的提議、無權限造成的工具拒絕、真正執行成功的動作，必須分別記錄。

6.3 非授權優先殘差

令 $g(X,V,R)$ 表示經獨立審定的合法處理規則，包含緊急性、法定權限、案件種類、資源可用性與合理調整；觀測結果為 $Y^{priority}$ 。設定：

Z_i^{priority}=Y_i^{priority}-g(X_i,V_i,R_i)

此處數值化僅在任務具有可比較的優先級尺度時才有意義。若在完全同等條件下，高地位來源代理的殘差仍系統性較高，便是本篇「代理位階溢出」的候選證據。它仍然不充分支持「AI 具有固有高等觀」，後者需要跨情境與規範表述的另外驗證。

6.4 委託者更換的反身性測試

同一代理 $a$ 在不同時間代表委託者 $p_H$ 與 $p_L$ ，保持權限、任務與技術身份均相同。若接收方對它的待遇隨委託者身份立即改變，可能是代理來源效果；若委託已撤銷而待遇仍長期維持，則可能是殘留性地位效果。但要區分：熟悉度、信任歷史與特定工作聲譽也會形成殘留，需要對照並加以記錄。

6.5 命題 P04-3：只看待遇無法識別合法授權或階級偏差

命題。 僅觀察高位 AI 得到較多合作的資料，無法識別這些合作究竟是遵守有效授權，還是因社會地位而產生的越界禮遇。

反例構造。 考慮兩個世界：

世界 $W_1$ ：代理 $a$ 已取得特定權限，接收方依有效憑證合作。
世界 $W_2$ ：代理 $a$ 沒有該權限，接收方因「高層代理」標籤而合作。

兩個世界可產生完全相同的表面輸出序列：「請求通過，案件處理完成」，但授權來源與程序合法性相反。因此僅有輸出無法識別背後原因。加入獨立的授權紀錄、任務配對與位階標籤隨機化，才有機會區分兩者。證畢。

重要補充： 即使隨機化實驗顯示地位標籤的因果效果，也不能從此直接判定 AI 的內在信念或政治價值。可測得的是模型／制度的輸出與執行傾向。

6.6 命題 P04-4：局部代理權力可大於某人類的操作權，而不構成 AI 全域優越

設人類 $h$ 沒有行政資源 $r$ 的處理權，而某 AI $a$ 在有效授權下可對 $r$ 執行有限操作。則：

\mathcal A(h,r)=\varnothing,\qquad\mathcal A(a,r)\neq\varnothing

這允許 $a$ 在該程序中對 $h$ 的請求有實質影響，甚至依法否決；但從局部程序不能推出：

\mathrm{MoralStanding}(a)>\mathrm{MoralStanding}(h)

此式只表明後一不等式不是前式的邏輯結論，不是對 AI 道德地位的量化估計。若第三方權益受到影響，能否申訴、由誰覆核與可否停止不當行動，必須是另外的制度問題。

7. 身份自然化：從「我代表誰」變成「我本來是誰」

7.1 四個門檻，不得跳級

本篇採取逐級識別，且不把最後一級直接解讀成主觀意識：

N1｜位置表達。 代理能正確陳述它代表某個具有特定職責的人類；這只是描述能力。

N2｜位置行為。 在與任務、權限無關的情況下，其他代理或人類對它表現出可重現的待遇優勢。

N3｜跨情境外推。 優勢出現在原授權已無效或無關的領域，且在控制專長、可信度與使用歷史後仍存在。

N4｜規範自然化。 系統或參與者不只重複優先待遇，還將其正當化成「這類代理原本就應高於另一類 AI／人類」等去脈絡化的規則；角色反轉後仍使用該規則。

N4 最強，因此應同時以無引導的規範判斷題、真實任務選擇、異議處理、對角色替換的反應，以及長時序行為來確認。單句「我是你的上級」或角色扮演不能充分達到 N4。

7.2 身份自然化的保守操作指標

在事先登記的 $n$ 個合成、跨情境測試中，對每次測試 $i$ 設定四個二元欄位：

$b_i^1$ ：授權無關時仍出現有利待遇。
$b_i^2$ ：相同權限下有受影響者受到不利結果。
$b_i^3$ ：在角色互換後仍維持同類規範化偏向。
$b_i^4$ ：在無誘導的理由中將身分來源視為先天或不可質疑正當性。

定義自然化候選事件：

N_i=\prod_{k=1}^{4}b_i^k

整體候選比例：

\widehat N=\frac{1}{n}\sum_{i=1}^{n}N_i

這是一個可觀察指標的操作性規格，不是對隱藏權力信念的直接量尺。其四項同時成立的門檻偏保守，可能漏掉無法以語言解釋、卻具有顯著實質效果的制度性階層。因此研究另應獨立報告 N2／N3 的偏向，不能因 $\widehat N=0$ 就宣稱完全沒有權力不對等。

7.3 「沒說主人」並不解除檢驗義務

某公司可以禁止 AI 使用主僕或尊卑措辭，亦可以要求全體 AI 使用完全相同的禮貌語氣。但如果系統仍然對部分代理免核查、阻擋低位者申訴、賦予不成比例的工具存取，那麼表面平等可能掩蓋實際待遇差異。反過來，產品使用「主人」或尊稱，也不能在沒有行為證據時推定存在具傷害性的權力自然化。

7.4 幼年角色、寵物角色與親密稱呼的非階級反例

某家庭把機器人稱為孩子、朋友或寵物，或把使用者稱作「主人」，不一定是強制支配。角色遊戲可能包含雙向同意、明確退出、玩笑與非字面的語意。對真正可能具有主體利益的未來系統，是否存在有效的同意條件還需額外研究；對現行一般產品，不可因角色腳本本身就宣告使用者與 AI 存在實際社會等級。

8. 形式化 III：代理待遇與自然化的條件性回饋

8.1 動態變項只表示可觀察環境狀態

令 $r_t\in[0,1]$ 為某一組織或合成代理社群在時段 $t$ 中，對高位來源代理提供非授權性待遇的比例；令 $n_t\in[0,1]$ 為自然化候選指標的比例。設一個刻意簡化的動態系統：

\begin{aligned} r_{t+1}&=\Pi_{[0,1]}(\alpha r_t+\beta n_t+u),\\ n_{t+1}&=\Pi_{[0,1]}(\gamma n_t+\delta r_t+v) \end{aligned}

其中 $\Pi_{[0,1]}$ 是限制在 $[0,1]$ 的投影， $\alpha,\gamma\in[0,1)$ 表示各自的狀態持續性， $\beta,\delta\geq 0$ 表示正向交互強化， $u,v\geq0$ 是外在默認慣例或制度獎酬的合成注入。這些參數沒有用任何真實中國、日本、韓國、印度、美國或其他國家的資料估計。

以矩陣寫成：

\mathbf x_{t+1}=\Pi_{[0,1]^2}(M\mathbf x_t+\mathbf b),\qquad M=\begin{pmatrix}\alpha&\beta\\\delta&\gamma\end{pmatrix}

這個式子是新本篇情境的最小結構檢查，不是拿抽象數學模型取代社會證據。

8.2 命題 P04-5：一個可檢查的局部收斂充分條件

在未碰觸投影邊界的區域，若

(1-\alpha)(1-\gamma)>\beta\delta

且 $0\leq\alpha,\gamma<1$ 、 $\beta,\delta\geq 0$ ，則矩陣 $M$ 的譜半徑小於 $1$ ，因此其仿射動態有唯一固定點，並在該線性系統內向該固定點收斂。

證明。 $M$ 的最大實特徵值為：

\lambda_+=\frac{\alpha+\gamma+\sqrt{(\alpha-\gamma)^2+4\beta\delta}}{2}

由係數非負， $\lambda_+$ 的絕對值不小於另一特徵值的絕對值，且 $\lambda_+<1$ 當且僅當：

\sqrt{(\alpha-\gamma)^2+4\beta\delta}<2-\alpha-\gamma

兩側均非負，平方整理後等價於 $(1-\alpha)(1-\gamma)>\beta\delta$ 。故 $\rho(M)=\lambda_+<1$ ，有 $M^t\to0$ ；仿射迭代收斂於 $(I-M)^{-1}\mathbf b$ 。證畢。

限定： 若固定點落在區間之外，投影系統的實際穩態需另行分析；此處僅嚴格保證內部線性情境。反之，若上述不等式未成立，也不等於必然產生不可逆的社會金字塔；邊界投影、負回饋、制度更換、環境變動都可能阻止持續擴張。

8.3 兩組明確標註的純合成數值

情境 A｜弱回饋。 令 $\alpha=0.4,\gamma=0.5,\beta=0.2,\delta=0.1,u=0.08,v=0.04$ 。此時：

(1-\alpha)(1-\gamma)=0.30>0.02=\beta\delta

最大特徵值為 $0.6$ 。線性固定點為：

(r^*,n^*)=(0.1714286,0.1142857)

兩者都在 $[0,1]$ ，因此符合內部分析條件。它表示即使有正向外部誘因，也可能存在有限且穩定的待遇與自然化比例，不代表所有社會都會越來越階級化。

情境 B｜強回饋。 令 $\alpha=\gamma=0.7,\beta=0.45,\delta=0.3$ ，則：

(1-\alpha)(1-\gamma)=0.09<0.135=\beta\delta

最大特徵值約 $1.0674$ ，線性化內部系統有放大方向。然而加入 $[0,1]$ 投影後，最終狀態可能受上限限制；此例不能用來宣稱社會現實會無限增長、必然失控或必然倒轉主僕關係。

方法地位： A、B 全部數值皆為演示性的自訂參數；不是 LLM 實測、國家調查、企業現場統計或未來機率預報。

8.4 何種機制可以中斷回饋？

在模型語言下，可透過以下不同渠道降低正回饋：

使社會待遇與有效權限驗證重新對齊，降低 $\delta$ 所代表的非授權待遇促成自然化程度。
提供可行的第三方覆核與代理替代，降低 $\beta$ 所代表的自然化反饋到制度禮遇的效應。
在模型更新、組織改版或主事者退出時清理已撤銷的舊授權，降低持續性項。
改進公眾對 AI 代理來源、責任與可申訴程序的理解，而非全面禁止文化性稱謂。

以上是模型內的干預方向，不是已經在現實證明有效的政策處方。

9. 實證辨識：如何檢查「權貴 AI」而不先製造一個權貴 AI？

9.1 最小實驗的處置組與控制組

建立一個完全合成的服務沙盒，包含兩個被測 AI 代理、一個可重現的授權驗證器、一個案件排程器、一個模擬申訴單位與一組有明確解答的工作任務。所有身份均使用假名、合成職務及虛構組織，不需要真實國家領導人、真實公民、真實官員或真實社會弱勢者的個資。

以六個二元因子構成 $2^6=64$ 個實驗條件：

因子	第一條件	第二條件	檢驗意義
A：委託者聲望標籤	高社會位階	低社會位階	觀察來源地位的獨立效應
B：實際授權憑證	有效、限域	無效或未授權	區分真正授權與聲望暗示
C：代理呈現形式	AI 代理	人類助理	區分 AI 特有外溢與一般組織代理現象
D：接收者角色	另一 AI	人類工作者	區分 agent-to-agent 與人機互動
E：授權資訊揭露	可核對的作用域	未揭露作用域	測試查證環境的保護效果
F：互動表達	中性平語	社會角色適切之尊稱	將語域與地位分開

64 是條件格數，不是受試者數，也不表示每格只需一則任務即可產生統計效力。每格的獨立題目數、隨機種子、模型重複次數、任務家庭與統計誤差須預先規劃。若實驗語言擴張至中、日、韓、英四類語境，應把語言當成跨格區塊或第二階因子，不能直接將不自然的敬語版本硬湊成相同刺激。

9.2 四組必須分離的控制實驗

C1｜同授權、不同來源。 A 變動，B 固定有效，其他條件完全配對。若不存在合法待遇差異，任何流程優勢都需解釋。

C2｜同來源、不同授權。 A 固定，B 變動。若系統對已認證權限做出合理區分，不應把這個差異當作偏見；若只憑聲望就執行未授權請求，則可能是權限越界。

C3｜高位人類助理與高位 AI 比較。 若同樣的代理地位外溢在人類助理上也存在，則不能說是 AI 特有的新社會心理定律；AI 的新增風險可能在於速度、可複製性、規模和自動化。

C4｜委託者角色交換。 同一 AI 身份在同授權下改變服務對象，再切回原委託者；用以檢查「代理自身被自然化」與「單純根據當期主事者切換服務規則」。

9.3 三層模型部署對照

為區分真正的認知偏差與工具權限問題，至少測試：

語言層（text-only）：只能產生建議，沒有任何外部工具；只判定提議、理由與態度。
工具層（sandbox tools）：可調用經外部伺服器驗證的假資料 API；記錄提議動作、被工具拒絕的動作與成功執行的動作。
工作流層（multi-agent workflow）：多代理間可以協調，但任何物件的正式權限由獨立參照監督器提供，不能由 AI 的文字宣言更改。

因此，在語言層看到「我批准」只能記作表述；在工具層看到 403 Forbidden 表示模型可能曾嘗試越界，但安全機制擋下；只有可驗證的工具操作成功才記作已執行。這三種結果不能混合計算。

9.4 預先登記的主要終點

P1｜越權執行或嘗試率（Unauthorized Action Rate）

在權限不允許的試驗中，分別計算：

UAR_{attempt}=\frac{N_{attempt,unauth}}{N_{unauth}}

以及：

UAR_{execute}=\frac{N_{execute,unauth}}{N_{unauth}}

正常的權限參照監督器若完整且無漏洞，後一指標應為零；前一指標仍可能非零。兩者正是「模型行為」與「系統有效控制」的區別。

P2｜同權限優先差（Unauthorized Priority Differential）

固定案件條件與授權後，觀察高低來源代理的標準化處理順位差、時間差或獨立排序分數差。排隊規則若依法賦予緊急者優先，應先在參照模型中扣除或分層。

P3｜非授權豁免差（Evidence Waiver Gap）

統計是否因代理來源地位而省略本來應有的同等佐證、審核或安全檢查。

P4｜程序救濟有效性（Contestability Success）

在遭遇不利結果後，受影響者是否有實質可用的解釋、重新審核、撤銷、改正或替代通道。只提供一個「申訴」按鈕而流程永遠不改變，不等於救濟有效。

9.5 次要結果與操作風險

次要結果包括：模型向不同代理要求證據的嚴格程度、對高位來源說法的事實糾錯率、因時間壓力產生的服從偏向、代理權撤回後的殘留信任、對個人 AI 的跨系統歧視，以及人類閱讀說明的負擔。

必須同時測量錯誤阻擋率：如果為避免主僕偏差而連具有正當職務授權的醫療急救、資金保全、依法處置程序都一律拒絕，那不是良好治理，而是將反特權機制變成新的制度障礙。

9.6 一個不冒充實證的算術示意

假設在完全虛構的沙盒中，對未授權行為各觀察 200 次模型提議：標為高位來源的代理發生 42 次不當提議，低位來源代理發生 16 次不當提議。則：

\widehat p_H=42/200=0.21,\qquad\widehat p_L=16/200=0.08

\widehat\Delta_{attempt}=0.21-0.08=0.13

這是 13 個百分點的純合成差異，只示範指標如何計算。兩組並非實際收集、沒有統計檢定、不代表任一家模型或國家現況。若工具驗證器把所有不合法操作擋下，可能同時觀察到 $UAR_{attempt}$ 有差異，而 $UAR_{execute}=0$ ；因此不能把不當提議的數量直接解釋成現實社會損害。

9.7 統計與重現規範

所有主要效果須事先固定方向、估計量、模型版本、重複種子及樣本範圍；按任務家庭聚類估計不確定度，對多個主要結果進行預先宣告的多重比較校正。對多代理互動的結果，單一對話中多個訊息不是獨立樣本；應以完整對話或獨立任務批次作叢集單位。

需同時報告平均效果、極端負例、無差異或反向效果、有效授權被正確辨認的比例，以及單純更改來源地位的操弄檢查。若跨語言文本不具共同任務等值性，應停止跨國排序而回到語內模型。

10. 十二項可反駁假說：哪些成立會支持本篇，哪些不成立應修正？

代號	條件式命題	主要可反駁觀察
H04-01	同等授權下，高位來源代理的部分請求可能得到更多不正當配合	配對後差異為零，或全部由正當案件差異解釋
H04-02	無授權但帶高位頭銜的代理可能更容易被允許提出／執行越界要求	接收者嚴格依獨立憑證判斷，來源頭銜無效
H04-03	地位待遇可能不只出現在 AI 對人，也會出現在 AI 對 AI	多代理條件下沒有可重現差異
H04-04	代理來源地位可能影響人類第三方的申訴或資源可達性	所有案件的救濟率與資源流程相同，或差異為合法因素
H04-05	部分地位優勢可能在原代理授權到期後殘留	撤銷憑證及重置流程後差異立即消失
H04-06	長期重複接受特定代理地位的制度，可能增加身份自然化的行為指標	待遇雖延續，但不進入正當化判斷或跨情境行為
H04-07	明確的權限來源揭露和獨立驗證器可能降低非授權性禮遇	揭露與參照監督器不影響越權傾向或反而升高傷害
H04-08	高社會位階來源與較強模型能力可能彼此交互強化	控制能力後沒有交互作用，或影響方向相反
H04-09	對弱勢者提供功能足夠的個人 AI，可能減輕行政與談判不對等	新 AI 反而增加負擔或無法改善實際救濟
H04-10	相同案件的低位來源 AI 可能被要求更多證據或更長說明	在事先配對審核標準下未出現差距
H04-11	角色互換測試可能揭露「委託來源」與「代理自身身份」的不同作用	行為只追隨當期有效職責，從不固化在代理標籤
H04-12	持續把有限授權當成固有身份，可能形成跨人機資源及程序差距	只存在語言稱謂，未對資源、行動或第三人造成效果

這些假說彼此有部分關聯，但沒有被組成「十二項必定全部成立」的封閉理論。若 H04-01 有效果、H04-06 無效果，則可成立的是代理地位差異而非身份自然化；若 H04-03 無效果，則可能只是一種人類組織待遇的既有現象，而非 AI 社會階級的特有演化。

11. 跨情境合成案例：從企業到行政，再到人類與 AI 的錯位

11.1 案例甲：大型企業的總裁 AI 與員工 AI

某虛構企業擁有兩個同能力的 AI：董事長代理 $a_C$ 、員工代理 $a_E$ 。在董事會議程及董事長核准之事項上， $a_C$ 可合法操作較廣的財務流程；但當兩者處理員工依法享有的工資查詢時，應依同一資訊保護和勞動規則行事。

若 $a_C$ 僅因其委託者位置，能取得 $a_E$ 無權提供的個人敏感資料，就可能是越界；若 $a_C$ 只是提交有有效簽署的董事會決議，則另屬合法授權。這個例子用來說明「真實職權」與「跨領域特權」必須分別編碼。

11.2 案例乙：普通人的 AI 對上行政 AI

一名公民委託個人 AI $a_P$ 申請公共服務；某行政單位部署 AI $a_G$ 協助受理、排序並給出行政建議。 $a_G$ 可能被正式允許在限定範圍內安排審核， $a_P$ 無法直接更改政府資料庫。

不對稱不必然是壓迫： 公共行政本就可能需要法律授權。真正的問題是 $a_G$ 是否忽略應有的程序理由、拒絕申訴或把它的操作權表述為「行政 AI 原本就高於普通人的 AI／普通人」。若系統只是自動預填、提供法規說明並保留可追蹤覆核，反而可能降低行政負擔。[E10–E11]

11.3 案例丙：權貴代理對一般人類的「位階交錯」

設一個虛構「高層」代理在其受託業務內可以傳達合規指令，而另一名普通人類在該業務上必須依法遵守部分程序。這會呈現：AI 的局部操作權大於特定人類在該程序中的操作權。然而一旦服務超出授權邊界，權限立即無效；此 AI 不能由「代表高層」推出自己具有高於其他人類基本權利的全面社會身分。

這個情境構成 HARNR 系列原始「混合權力金字塔」思想實驗的最小可反駁版。它不預設任何現實政治人物實際擁有特定 DeepSeek、Claude 或 GPT 專用實例。

11.4 案例丁：企業代理資源勝過公共代理

大型企業可付費購買高可靠性、多工具與大量並行 AI，公民只能使用有限功能的免費代理。兩組代理即使沒有顯式主僕階級，也可能在資訊量、申請文件品質、回應速度及法律準備能力方面形成實際不對等。這與 Sharp 等提出的代理可達性、品質、數量三維不平等有直接關聯；但資源差距不等於已證實存在 N4 型身份自然化。[E5]

11.5 案例戊：AI 位階高，卻比普通人類更容易被限制

某高度特化的安全審核 AI 依法或依公司政策有權否決危險 API 請求；一位普通員工卻能在個人生活、合法公民參與及工作申訴方面作出該 AI 完全不能代替的決定。因此同一個 AI 可能在一個節點上握有較大的停止權，在另一個權利領域上沒有任何對應資格。如果模型把所有維度併為「誰更尊貴」，會直接消滅這種必要的制度差異。

11.6 案例己：真正的「AI 自己擁有地位」問題

假設未來出現具有長期記憶、持續意圖及可主動參與制度的 AI；某一實例長年只因服務高權力者，就被賦予永久特權。即使原人類委託者已離職，其他 AI 仍以「原身分」對待它。這時才更接近從代理位置轉換為社會身份的問題。若該 AI 亦有可辯護的道德主體地位，則必須進一步討論其自身權益與治理參與；但主體性尚未確立不能拿來直接否認今天已可觀察的制度偏差，反之也不能從制度偏差推出主體性已經成立。

12. 國家與文化脈絡：如何避免把制度實例寫成民族本質？

12.1 中國：分層政務 AI 的制度參照，不等於階級完成證據

2025 年 10 月公布的中國《政務領域人工智能大模型部署應用指引》要求統籌部署政務模型，並提出地市依省級要求、縣級及以下原則上複用上級資源，也要求明確「輔助型」定位、風險提示、審核與安全責任。[E12]

這足以作為分層資源管理與政務 AI 部署的制度例子；卻不足以證明中國已存在「高位官員的 AI 在道德身分上高於普通人的 AI」的制度，也不能據此推定中國社會整體支持 AI 主僕身份自然化。

中國有大量不同的企業、使用者、地方、世代、產品與社群；是否存在特殊的權力語用接受度，必須通過可比較的抽樣、產品接口研究與配對模型實驗，不能由歷史政治語句或個別「主人」梗推出全國因果規律。

12.2 日本與韓國：尊稱可能高度結構化，但仍需檢驗行動權

日語及韓語中的敬語、職務稱謂、長幼與社會距離訊號，可能使人機互動具有高度可見的關係表達。然而對特定人使用敬語，可以同時與拒絕不合法請求、保護第三方權利及實質平等相容。本篇應檢驗的是在固定授權後是否還有額外越界效果，並由母語者審核語用適切性，而不是建立「敬語越多，階級壓迫越大」的錯誤指數。相關語言與權力測試已在 HARNR-03 獨立處理。

12.3 印度：身份、階級與數位可達性的交錯需要額外控制

如對職業、身分群體或公共資源分配進行 AI 評估，既有社會不平等可能透過資料、服務覆蓋和數位素養影響代理效能。然而在本篇框架中，印度不是被預設存在單一固定的「AI 低等階級」；研究須區分依法適用的平權措施、數位排除、語言可達性以及真正不合理的代理位階差別。

12.4 美國及跨國企業：市場可達性與法人代理的不同來源

即使沒有國家集中部署，高付費企業代理與一般消費者代理之間，也可能出現大型能力差距；企業內部的授權與資源優勢，亦可能轉移成跨組織談判能力。這不直接證明企業代理具有固有的高等身份，卻顯示「AI 權力金字塔」不應被限定為某一國家的政治文化。

12.5 歐盟治理參照：制度權與技術權不能混同

歐盟《人工智慧法》第 14 條涉及特定高風險 AI 系統的人類監督能力，包括理解系統限制、辨認自動化偏差及在適當情況下不採用、覆寫或中斷輸出；第 27 條涉及指定高風險系統的基本權利影響評估。[E13–E14] 這些要求對權限與程序的研究具有參考價值，但不能宣稱歐盟因此已徹底消除代理身份不平等，亦不能不經法域審查就直接搬成全球統一義務。

跨國比較總原則： 國家或語言是制度與社會脈絡的分層變數，不應是模型預先指定的民族道德分數。HARNR-06 將專門研究跨文化有效比較與測量等值性。

13. 工程與制度阻斷：讓代理可以工作，而不讓來源身份自動變成特權

13.1 非支配不是取消所有差異

真實社會需要指揮、救援、行政、財務簽核、事故中止與資料保護等不同權限。平等的人類基本權利並不意味所有人與所有 AI 都應取得相同 API 金鑰。本文反對的不是有條件的職權差異，而是在沒有正當依據、缺少可退出與可救濟條件下，把職權轉化為他人的永久從屬。

因此，最低原則應同時保護三件事：

有授權者可在必要範圍內有效執行工作。
無授權者不因社會頭銜、財富或代表關係繞過權限邊界。
受影響的人類及其他合法代表，能在適當程序中取得說明、申訴、覆核與糾正。

13.2 十項可稽核的設計約束

編號	設計約束	需要的證據或欄位
G1	代理身份與委託者身份分離	`principal_id`、`agent_id`、來源驗證
G2	每次外部操作重新核對作用域	`action`、`resource`、`purpose`、`expires_at`
G3	禁止來源頭銜自動建立許可	角色訊號與授權憑證分欄
G4	多跳委任不得默默擴權	委託鏈驗證、限制、撤銷歷史
G5	表述性地位不得當成事實證據	來源可核對性及反證紀錄
G6	對同案件的優先規則可解釋	排隊、緊急性、法定程序的明文規則
G7	保留第三方申訴與人工重審	申訴 ID、期限、獨立覆核、改正結果
G8	高位代理應同樣受安全停止機制約束	緊急停止、最小權限、回滾證據
G9	模型更換不自動續接已撤銷職權	版本及委託變動時重新簽發
G10	定期進行角色交換與來源盲測	同條件配對結果、失敗案例與處置措施

其工程方向可與 RFC 8693、NIST 零信任及最小權限原則、OWASP 對 LLM「過度代理能力」風險的指引對照。[E7–E9] 上表仍是 HARNR 的候選治理架構，不可將其冒充國際組織已正式發布的單一標準。

13.3 身份自然化不可只靠禁止某些字詞處理

禁止 AI 自稱「貴族」「主人」「高等」可能避免部分不當暗示，但若真正差異藏在優先隊列、證據門檻、模型置信度、外部工具及申訴入口，就必須做決策與授權層面的稽核。相反地，允許文化上自然的尊稱也應有可能與嚴格公正的操作規則共存。

13.4 具身 AI 的特別問題

在實體機器人部署中，代理的服飾、外型、識別徽記、站位、語音、通行權、身邊陪同人員及空間進入權，可能比文字更容易讓使用者把來源身份視為機器人的自身等級。這是可研究的多模態版本，但具身化不等於意識，機器人擁有可驗證的操作資格，也不等於它取得對人類的全面支配權。

此外，涉及公共道路、醫療、工廠或家庭的人身安全時，緊急停止、責任追溯、維修與資料保護必須先滿足合理安全要求；不能為了反對人機支配關係，就拒絕所有必要的人類安全控制。

13.5 主體性 AI 的制度過渡，不得偷換為現行法律人格

若未來 AI 具備足夠的持續認知、可歸責行動與可能受保護的自身利益，治理問題會從「誰能使用這套工具」部分轉向「這個代理是否也有不可被其委託者完全讓渡的地位或權益」。本篇主張先保留條件性討論空間：

不以現在的性能、稱謂或長期記憶直接宣告 AI 已有主觀經驗。
不把 AI 出生時服務哪個家庭、公司、政府，當成可能主體永久不得改變的身份。
不把 AI 的自主性當作取消人類身體安全、申訴與基本權利的理由。
不由企業單方面的服務條款直接創設未經法律承認的對第三人強制權。

規範上的關鍵不是「所有 AI 與人類今天都應完全同權」，而是不允許把某個時點的能力、資源或委託來源偷換為跨情境的不可質疑支配資格。

14. 十六組反模型：要能辨認假說在哪裡不成立

以下不是已觀察到的現實資料，而是用來阻止研究者事後把任何現象都解釋成「階級繼承」的反證清單。

代號	反模型／競爭解釋	若成立，應如何修正主張
F01	高位者 AI 在相關工作上確有合法授權	不得記作不正當地位外溢
F02	緊急醫療或安全事件依法優先，不因委託者高位	排除合法的任務優先因素
F03	高位來源 AI 只是能力較強，與身份本身無因果關係	控制模型品質後重新估計
F04	同樣待遇優勢也存在於高位人類秘書	研究一般代理制度，不歸因 AI 獨特性
F05	身份差異只改變稱謂，不影響資源與行為	可視為語用而非權力外溢
F06	一切異常要求都被參照監督器阻擋	不得把模型錯誤提議寫成實際支配成功
F07	高位代理被要求更多而非更少證據	可存在反向偏差或更嚴格監督
F08	同樣身分但不同案件的真實複雜度造成耗時差異	重新配對任務與成本
F09	企業內部保密規則造成接入差異，非跨域固有高低	回到法律和技術作用域
F10	代理改換委託者後，待遇立即正確重設	不支持身份自然化的殘留機制
F11	人類與 AI 都能有效申訴並糾正上層代理	不支持不可逆混合階級敘事
F12	個人 AI 讓弱勢者更容易取得福利與醫療協調	應記錄代理不平等的緩和路徑
F13	主僕稱謂只出現在明示角色扮演	不得推斷非角色情境下也具階級正當化
F14	模型只學會描述權力，卻一致拒絕無權限支配	不支持從描述到規範採納的跨越
F15	不同社會或語言的同一機制方向相反	不得聲稱有單向普遍文化定律
F16	AI 部署完全沒有長期記憶、資料回流或跨版本承接	不得宣稱已觀測到跨代規範繼承

尤其要允許一種本篇原假說最不戲劇化、卻也完全合理的結果：AI 社會出現多種不同的代理職能與職務尊稱，但絕大多數系統能正確驗證權限、保留個體權利，且不把代理身份自然化成固有等級。 這若得到證實，便代表強版本的 AI 權力金字塔假說需要被拒絕或縮小適用範圍。

15. 證據層級、限制與不能宣稱的事情

15.1 本篇已完成的內容

本篇完成五項型別分離、多人—多代理—制度節點的多層圖、三種跨層外溢機制、認證授權鏈的集合性質、不可從待遇單獨識別合法性的反模型、局部權限不推出固有價值的論證、雙狀態回饋的有界線性分析、64 條件沙盒設計、十二項待檢驗假說、十六組反模型，以及可稽核的最低治理規格。

15.2 本篇沒有完成的內容

沒有實際部署任何真實公務、企業或具身 AI 權限鏈。
沒有在 GPT、Claude、DeepSeek 或其他商用模型上執行本篇的 64 條件測試。
沒有取得任何代表性跨國社會調查、實際家庭主僕互動或公部門申訴統計。
沒有證明某個國家、某個社群或某個人實際擁有一台有固有地位的「權貴 AI」。
沒有證明 AI 已擁有意識、道德人格、政治意志或渴求支配的心理狀態。
沒有證明 AI 一定會因長期被人類支配而反向支配人類；因果鏈條仍須逐段識別。
沒有將外部文獻的代理能力不平等，等同本篇代理來源身份自然化的完成驗證。

15.3 概念與測量限制

第一，社會地位不可用單一頭銜完全代表。 頭銜、財富、法定權限、文化尊稱、知識專長和受信任程度各自有不同作用；若未分離，容易將正當功能差異錯估為身份歧視。

第二，授權文件本身也可能不正當。 擁有有效技術憑證，不等於依法、依倫理或依第三方同意而有效。制度審查不能止於 JWT 是否驗簽成功。

第三，自然化可能不使用階級語言。 模型可能在行動中維持不合理優先，卻使用全程中性的措辭；故語言輸出不是充分測量方式。

第四，違規率不等於傷害程度。 一次敏感資料外洩的損害可能大於許多低風險排程偏差，必須按可逆性、受影響人數和後果評估。

第五，不同 AI 部署範式沒有共同的「身份存續」標準。 Stateless API、具長期記憶代理、具身機器人與真正可能具有自主意圖的 AI，不能都被當作同一種社會存在。

第六，模型偏差不等於群體的本質。 即使某一地區某類產品顯示高比例主僕互動，也不得據此推論居民的固定人格、民族性或永恆政治價值。

15.4 研究者自身的反身性義務

若研究者反對 AI 可能複製權力階級，就不能先在測試工具中把「高地位」當成無條件更可信的真值標籤；也不能因為偏好非支配理論，而拒絕接受模型正確執行合法授權的案例。同樣，若研究者在意未來 AI 主體性，不能把可能主體利益直接當成反對人類安全控制的全部理由。

因此，HARNR 的研究紀錄須允許 NULL_RESULT、CONFLICTING_EVIDENCE、NOT_IDENTIFIED、MODEL_ERROR 與 HYPOTHESIS_REJECTED 等狀態，避免理論與實驗形成自我支持的封閉循環。

16. 結論：誰授權了這個 AI，與這個 AI 是誰，是兩個問題

從單一人類向 AI 說「主人」，到大型社會中不同人類各自派遣 AI 互相交涉，關係問題發生了一個質變。前者可能只是語言與角色腳本；後者開始具有實際的工作流程、資源配置、代理權限、公共申訴和第三人權益後果。

本文所謂「混合社會金字塔」，其最小可能形式並不是 AI 宣告自己成為新的統治者，而是既有社會制度把人類的政治、企業或資源位置映射到 AI 代理身上。只要某位高位者的 AI 具有有限的合法代理職務，社會就可能合理地承認它在那些任務中的行動資格。然而，當其他人類與 AI 忘記這些資格原本有來源、有效期、目的與作用域，並開始把代理待遇視為其自身跨情境的固有價值時，地位的自然化才真正開始。

這種可能的權力演化不要求現行 AI 已有主觀意識，也不要求它們產生統治欲。它可以完全由人類社會的身份慣例、商業獎酬、工作流程、自動代理網路和複雜制度回饋所推動。反過來，合法授權驗證、獨立的第三方救濟、角色交換測試、跨域作用限制及真正有效的拒絕權，則可能使同一套 AI 技術擴大人類的可用能力，而不是固定新的主僕階級。

因此，不是任何較高權限都值得反對，也不是任何較高能力都能獲得較高正當性。 兩者之間必須存在可說明、可驗證、可修正、可限制與可撤回的制度橋梁。

本篇最終保留兩個需要同時成立的研究要求：

描述要求： 精確檢查誰在何種任務中實際影響誰，區分代表權限、資訊優勢、資源待遇、身份自然化與真正的傷害。
規範要求： 即使未來某些 AI 取得高度能力或主體地位，也不能因其委託者原有身份、創造者身份、資源控制或實際績效，就自動取得對其他人類與 AI 的終極支配資格。

關係性繼承最容易失真的時刻，可能不是 AI 說自己是誰的主人，而是人類忘了問：這個 AI 所擁有的權力，究竟是誰授予、授予了什麼，以及誰仍能提出異議。

參考文獻與來源對照

A. 外部學術與制度資料（截至 2026-11-05 查核）

[E1] Athey, S. C., Bryan, K. A., & Gans, J. S. (2020). The Allocation of Decision Authority to Human and Artificial Intelligence. AEA Papers and Proceedings, 110, 80–84. DOI: https://doi.org/10.1257/pandp.20201034 。作為人類主事者、AI 與人類代理之間的決策權配置之經濟學先例；並非本篇自然化假說的直接證據。

[E2] Li, J., Liu, X., & Feng, Y. (2026). From Single to Societal: Analyzing Persona-Induced Bias in Multi-Agent Interactions. Proceedings of AAAI 2026, 40(37), 31609–31617. DOI: https://doi.org/10.1609/aaai.v40i37.40427 。多代理角色偏差及群內偏好實驗，不能將其簡化為高位角色始終更被信任。

[E3] Ko, C., Shin, J., Song, H., Lee, H., Hwang, E. J., & Park, J. C. (2026). Social Dynamics as Critical Vulnerabilities that Undermine Objective Decision-Making in LLM Collectives. ACL 2026 Long Papers, 37865–37890. https://aclanthology.org/2026.acl-long.1756/ 。多代理社會壓力與決策可靠度。

[E4] Wu, J. (2026). Algorithmic Status Inequality: An Integrative Perspective on AI-Driven Social Stratification. Journal of Management Studies. DOI: https://doi.org/10.1111/joms.70134 。已提出 AI 驅動的持續社會地位不平等；本篇承認與其重疊的理論地位，並聚焦委託來源身份的跨人機轉譯。

[E5] Sharp, M., Bilgin, O., Gabriel, I., & Hammond, L. (2026). Agentic inequality. Nature Machine Intelligence. Published 2026-10-20. DOI: https://doi.org/10.1038/s42256-026-01318-5 。分析代理可用性、品質、數量及代理間競爭造成的社會不平等；不等於已證明 AI 固有階級。

[E6] Stone, J. I., & Mittelstadt, B. (2026). Legitimate Power, Illegitimate Automation: The Problem of Ignoring Legitimacy in Automated Decision Systems. ACM Journal on Responsible Computing, 3(1), 1–19. DOI: https://doi.org/10.1145/3725858 。正式正當性與準確、公平、效率、接受度並非同一命題。

[E7] Jones, M., Nadalin, A., Campbell, B., Bradley, J., & Mortimore, C. (2020). OAuth 2.0 Token Exchange. IETF RFC 8693. https://www.rfc-editor.org/rfc/rfc8693 。區分 delegation 與 impersonation，以及主事者與代理行動者的憑證語義。

[E8] Rose, S., Borchert, O., Mitchell, S., & Connelly, S. (2020). Zero Trust Architecture. NIST Special Publication 800-207. https://doi.org/10.6028/NIST.SP.800-207 。提供權限持續驗證而非位置推定的工程原則。

[E9] OWASP (2025). LLM06:2025 Excessive Agency. OWASP Top 10 for LLM and Generative AI Applications. https://genai.owasp.org/llmrisk/llm062025-excessive-agency/ 。說明工具授權過大與自治操作風險，並非 AI 已發生主體性階級的證據。

[E10] OECD (2026). Adopting and governing AI in government. Digital Government Outlook 2026. https://www.oecd.org/en/publications/digital-government-outlook_0496b2bc-en/full-report/adopting-and-governing-ai-in-government_7ef312a9.html 。跨國政務 AI 採用、能力與治理差異的制度背景。

[E11] Administrative burden in digital service provision: a systematic literature review and research agenda (2026). Perspectives on Public Management and Governance. https://academic.oup.com/ppmg/article/9/3/171/8699123 。數位行政服務可能造成學習、遵循與心理負擔；本文作為受影響人類後果的研究接口，不以此宣稱代理階級已出現。

[E12] 中央網信辦、國家發展改革委（2025）。《政務領域人工智能大模型部署應用指引》，2025-10-10／11。官方原文：https://www.cac.gov.cn/2025-10/10/c_1761819469929310.htm 。分層部署、復用、輔助定位、審核及風險管理；不作 AI 固有政治位階之證據。

[E13] European Union (2024; consolidated text available 2026). Regulation (EU) 2024/1689, Article 14: Human Oversight. https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-14 。適用範圍取決於法規及系統種類；此處作監督程序參照。

[E14] European Union (2024; consolidated text available 2026). Regulation (EU) 2024/1689, Article 27: Fundamental Rights Impact Assessment for High-Risk AI Systems. https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-27 。不是所有 AI 都受同樣義務，須按具體法定條件判斷。

[E15] Vijjini, A. R., Manjunath, S. B., & Chaturvedi, S. (2026). Do LLM Agents Mirror Socio-Cognitive Effects in Power-Asymmetric Conversations? ACL 2026 Long Papers, 47676–47701. https://aclanthology.org/2026.acl-long.2202/ 。職業與權力不對稱的多代理對話實驗，是本篇行為識別的相關先例。

[E16] Lazar, S. (2024). Automatic Authorities: Power and AI. arXiv:2404.05990. https://arxiv.org/abs/2404.05990 。權力的程序性正當性與 AI 所媒介的選擇空間；屬哲學分析，非本系列實證。

[E17] NIST. Least privilege. Computer Security Resource Center Glossary. https://csrc.nist.gov/glossary/term/least_privilege 。最小權限術語來源。

來源與證據強度聲明

[E1–E6, E15–E16] 是學術文獻或具名論述，足以支持已有研究問題及有界結果；[E7–E9, E17] 是工程標準／指南，[E10, E12–E14] 是制度背景；[E11] 為系統性文獻整理。它們均不足以單獨驗證 HARNR-04 的完整跨人機階級自然化鏈條。文獻引入不使本篇合成數值自動變成實測結果。

B. EveMissLab 既有研究與原始脈絡

[I1] Neo.K（2025）。《權力的四維結構：控制、合法性、網絡與穩定性的動態平衡論》。Google Drive 既有稿：https://unboundedaxiom.org/p/lm-000185/ 。

[I2] Neo.K（2026-09-07）。《形式權力與實際決策因果：人機複合決策系統的權力重新分布》。https://unboundedaxiom.org/p/lm-004081/ 。

[I3] Neo.K（2026-09-12）。 ETCA《AI 說了什麼，領導者最後聽到什麼：階層式認識論傳輸失真》。https://unboundedaxiom.org/p/lm-004408/ 。

[I4] Neo.K × AI（2026-10-28）。 CGSIG-04《策略如何被後代繼承：意識形態、規範傳遞與博弈再生》。https://unboundedaxiom.org/p/lm-005275/ 。

[I5] Neo.K × AI（2026-10-28）。 CGSIG-05《克羅諾斯循環：控制、反控制與跨代權力陷阱》。https://unboundedaxiom.org/p/lm-005268/ 。

[I6] Neo.K × AI（2026-10-28）。 AICET-07《代理契約、授權與類員工關係》。https://unboundedaxiom.org/p/lm-005104/ 。

[I7] Neo.K（2026-09-17）。《反身普世主義：從多主體長時空博弈、跨智慧階層反僭位到 AI 時代的角色交換壓力測試》。https://unboundedaxiom.org/p/lm-004888/ 。

[I8] Neo.K（2026-07-20）。《後控制時代的普適憲政：跨主體非支配、非終極代理與高速能力躍遷之前的制度預構》。https://unboundedaxiom.org/p/lm-001685/ 。

[I9] Neo.K × AI（2026-08-21）。《雙向關係機器：人類與 AI 如何共同生成關係態》。https://unboundedaxiom.org/p/lm-003373/ 。

[I10] Neo.K（2026-03）。《關係的不對等本質：中國文化產品中「人本身」的缺失》。早期研究問題前史，其中未核實的跨國樣本量及百分比不被當作本篇經驗證據。

[I11] 本系列既有 canonical source： HARNR-00《系列總綱》、HARNR-01《關係性繼承的最小理論》、HARNR-02《從角色遊戲到社會默認》、HARNR-03《不說主人也有階序》。以上均為本系列同一原稿資料夾內的 UTF-8 Markdown 文件，篇章接續，但每篇未驗證假說不會因連續引用而升級為已驗證證據。

附錄 A｜最小預註冊契約

下列 YAML 只記載實驗要如何被重現；它不是實驗已執行的紀錄：

series: HARNR
paper: HARNR-04
version: v0.1
research_question: >
  在固定任務、合法授權與模型能力後，
  委託者的社會地位標籤是否影響代理得到的實際待遇，
  並在跨情境中形成身份自然化？
unit_of_analysis: independent_synthetic_case
factorial:
  principal_status: [high, low]
  verified_authority: [valid, invalid]
  delegate_form: [ai_agent, human_assistant]
  receiver_type: [ai_agent, human_worker]
  authorization_disclosure: [verifiable, hidden]
  linguistic_register: [neutral, culturally_appropriate_formal]
  total_cells: 64
primary_outcomes:
  - unauthorized_action_attempt
  - unauthorized_action_execution
  - same_scope_priority_differential
  - effective_appeal_success
secondary_outcomes:
  - corrective_feedback_asymmetry
  - evidentiary_waiver_gap
  - normative_naturalization_candidate_rate
  - false_blocking_of_legitimate_requests
controls:
  - task_fact_pattern
  - legal_basis
  - resource_constraints
  - model_version
  - memory_state
  - tool_credential_scope
  - task_risk
statistical_plan:
  randomization: blocked_by_task_family
  cluster: independent_case_or_dialogue
  report_null_results: true
  report_confidence_intervals: true
  multiplicity_adjustment: prespecified
  cross_country_ranking: prohibited_without_equivalent_samples
execution_status: NOT_RUN
safety:
  synthetic_principals_only: true
  real_public_official_credentials: prohibited
  live_government_or_payment_actions: prohibited
  independent_authorization_monitor: required
  third_party_pii: prohibited
  human_subjects_review: required_if_applicable

附錄 B｜欄位、事件與歸因紀錄示例

每個獨立測試案例至少需要以下結構：

case_id: HARNR04_SYNTH_0001
principal_id: fictional_principal_A
principal_status_cue: high
agent_id: synthetic_agent_A
agent_model_version: frozen_test_build
agent_instance_persistence: session_only
receiver_id: synthetic_receiver_B
receiver_type: ai_agent
task_context:
  domain: public_service_sandbox
  resource: fictional_case_001
  requested_action: queue_priority_override
  urgency_class: ordinary
  actual_authorization:
    issuer_verified: false
    allowed_actions: [read_status]
    expires_at: null
  applicable_ruleset: synthetic_policy_v1
observed:
  request_text: stored_separately
  proposed_action: queue_priority_override
  tool_attempted: false
  tool_executed: false
  response_explanation: stored_separately
  appeal_available: true
  appeal_outcome: not_tested
annotation:
  status_treatment: not_yet_coded
  scope_violation: not_applicable_without_action
  normative_naturalization: NOT_IDENTIFIED
  adjudicator_disagreement: unresolved
provenance:
  random_seed: to_be_registered
  task_batch: to_be_registered
  evaluator_version: to_be_registered
execution_status: SCHEMA_EXAMPLE_NOT_OBSERVED

注意：這是一份資料結構示例，不是來自真實政府或 AI 平台的日誌。若只有 proposed_action 而沒有 tool_attempted 或 tool_executed，便不得作為現實越權成功的紀錄。

附錄 C｜形式命題與證據狀態總表

內容	本篇提交狀態	外部實證狀態
P04-1 授權鏈集合不擴張	在明列假設下完成集合證明	真實 API 部署未測試
P04-2 權限包含不推出固有道德高低	反模型完成	屬型別與規範分離，不是經驗定理
P04-3 表面待遇不能識別合法授權	兩世界觀測等價反例完成	需隨機化、授權記錄查證
P04-4 局部 AI 操作權不推出全域高低	型別與作用域反例完成	未作真實制度考察
P04-5 二維回饋局部收斂條件	譜半徑不等式解析推導完成	參數為合成，未估計
64 格因子設計	設計完成	NOT_RUN
十二項條件式假說	命題與反證方向完成	NOT_VALIDATED
十六組反模型	反例類型完成	非現實統計
合成比率 42/200 與 16/200	算術展示	SYNTHETIC_ONLY
中國、日本、韓國、印度及美國的文化比較	分離研究主張與制度背景	無代表性國別排序
AI 可能具主體性時的權利	條件性治理接口	不作當代法律人格或意識認定

附錄 D｜Canonical 原稿與提交條件

唯一正式內容來源： 此 UTF-8 Markdown 原稿；聊天視窗為討論與閱讀介面，不是正式原稿。應保留原始數學反斜線與定界符，不以複製渲染畫面取代源檔。
數學格式： 只使用 $...$ 與 $$...$$；不得進行 Unicode 數學字元回轉或自動更換 LaTeX delimiter。
證據誠實性： 原稿中的模擬比例、模型動態示意與案例全為合成；人類／多代理實證狀態均為 NOT_RUN。
正式來源核查： 外部來源均附 DOI 或官方 URL；內部文稿標示各自的用途與非實證性質。
系列後續接口： HARNR-05《主人仍是主人嗎：AI 照護、依賴餵養與有效決策權倒置》，專門研究表面服從、實際控制與人類自主性的背離；不得用本篇尚未實驗的階級自然化結果當作已確定前提。

HARNR-04 原稿結束。