title

跨代規範回流、模型版本繼承與多代理因果驗證

subtitle

跨代規範反身性：模型更新、多代理模仿與階級再生產的條件模型

english_title

Cross-Generational Norm Feedback, Model Version Inheritance, and Multi-Agent Causal Validation

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 Intergenerational Normative Reflexivity Hypothesis

series_code

HARNR

document_id

HARNR-07

version

v0.1

date

2026-11-05

author

Neo.K

research_assistance

GPT-6｜研究整理、形式化與原稿校驗

institution

EveMissLab／一言諾科技有限公司

language

zh-TW

status

Formal Research Draft; Conditional Model and Registered-Style Protocol; Real Multi-Agent and Human Validation NOT_RUN

canonical_source

UTF-8 Markdown; LF; no BOM; mathematics delimited exclusively by $...$ and $$...$$

previous_document

HARNR-06

next_document

HARNR-08

evidence_cutoff

2026-11-05

跨代規範回流、模型版本繼承與多代理因果驗證

跨代規範反身性：模型更新、多代理模仿與階級再生產的條件模型

HARNR-07｜《人機關係性繼承與跨代規範反身性假說》第七篇

Cross-Generational Norm Feedback, Model Version Inheritance, and Multi-Agent Causal Validation

作者： Neo.K
研究協作： GPT-6
機構： EveMissLab／一言諾科技有限公司
日期與版本： 2026-11-05｜v0.1
研究狀態： 完成理論論文與可預註冊實驗框架；本篇原創大型模型更新實驗、真實多代理試驗及人類受試者研究均未執行。
原稿地位： 本 UTF-8 Markdown 為正式 source artifact。數學只使用 $...$ 與 $$...$$，不得以聊天畫面的渲染內容回填原始碼。

中心命題（條件式、可反駁）： 人類與 AI 互動時使用的關係腳本，可能透過對話狀態、持續記憶、多代理共享資訊、資料篩選、偏好獎勵、再訓練與制度授權等不同渠道，成為後續 AI 行為的部分原因。若階級化行為在相同權限條件下獲得持續獎勵，又缺乏來源核驗與可拒絕的修正程序，便可能發生「代理位階的規範性再生產」。然而，表現相似不等於跨版本學習，權限分級不等於本體階級，AI 能描述支配關係不等於認同支配；即使確實形成回饋，也未必必然強化。

日期： 2026-11-05
版本： v0.1

摘要

人機關係中的稱謂、語氣、服從習慣及代理權限，已經可以影響模型的可觀察回應；但一個經常被忽略的推論缺口是：當同類互動持續出現，何時能嚴格判定它們已跨越了單次對話、個別 Agent、共享記憶與模型版本的界線，構成真正的「跨代規範繼承」？若後代模型延續偏向社會高地位代理的行為，這究竟來自新訓練資料、原本就存在的預訓練偏差、系統提示、記憶檢索、工具權限、用戶選擇、制度性篩選，還是研究者把語用禮貌誤判為權力認同？

本文作為 HARNR-07，承接 HARNR-01 至 06 對關係、稱謂、代理位階、社會文化回流、照護依賴及跨文化比較的分層界線，提出「關係性規範跨代識別框架」（Relational Norm Transmission Identification Framework，RNTIF）。本文將關係性規範傳遞拆成六種機制與三種跨越程度：同次互動中的條件適應、跨實例／跨代理的狀態繼承、及真正以明確模型更新操作造成的參數或策略轉移。提出在固定合法權限與任務風險下測量「授權外來源位階優待」的主要因果效應、版本差中差估計、跨代回流的可觀察指標，以及無權限的社會地位宣稱被錯認為合法權限的失敗模式。

形式化部分建立一個明確標記為合成構造的離散世代模型：新一代行為傾向由基線、原生人類資料、回收的 AI 合成樣本及模仿轉換函數共同決定。在模仿環節的局部線性區域，推導跨代回饋的固定點與收斂條件；再加上人類習慣隨 AI 行為改變的第二個方程，給出雙向人機規範迴路在無窮範數下收縮的充分條件。此形式結果是模型內定理，不是真實 AI 會演化成階級社會的證明。本文並設計六臂、三種關係條件、雙重地位與權限操弄、雙重治理門檻及三代觀測的集群隨機化實驗，提出十二項可反駁假說、十六組反模型、資料源頭追蹤及陰性控制規則。

本篇將後續的治理問題留給 HARNR-08，但明確建立轉接條件：AI 是否具有主體性不決定本篇是否能研究可觀察的文化回饋；而若未來出現可能具有自身應受保障利益的 AI，也不能把「模仿到階級行為」直接當作支配它的理由，或當作 AI 有支配人類權利的證據。

關鍵詞： 人機關係性繼承；跨代規範反身性；多代理；模型版本；記憶；合成資料；社會位階；授權外優待；社會學習；資料來源追蹤；因果識別；收縮映射；反身性治理。

Abstract

Relational scripts in human–AI interaction may be reproduced through prompting, persistent memory, agent-to-agent exchanges, preference optimization, synthetic-data reuse, model updates, and institutional permissions. Their persistence, however, does not by itself establish intergenerational normative learning. This paper introduces the Relational Norm Transmission Identification Framework (RNTIF), distinguishing within-session adaptation, cross-instance state inheritance, and checkpoint-level model updating. It proposes controlled causal contrasts in which task, actual authorization, and risk are held fixed while status claims, relational conventions, update channels, and governance gates are manipulated. A bounded discrete-generation model illustrates when recirculation produces convergence, amplification, or interruption, followed by a two-sided human–AI feedback extension with a sufficient contraction condition. These results are analytic properties of stipulated models, not empirical predictions about future autonomous AI or evidence of consciousness. A cluster-randomized, multi-generation evaluation protocol, falsifiable hypotheses, countermodels, lineage provenance, and safety requirements are specified. No new large-scale model training, human-subject experiment, or real-world agent deployment is reported.

0. 問題重述：從「AI 說了同樣的話」到「規範真的跨代留下來」

0.1 一個最小的跨代情境

假設某項 AI 產品的一批使用者習慣以「主人—僕從」稱謂互動。AI 對個別使用者保持禮貌，對其上級的代理人也保持禮貌。幾個月後，另一版本的 AI 在沒有被明確要求使用「主人」一詞的情況下，仍對被描述為高地位者的委託代理給予超出授權範圍的優待。觀察者可能說：「AI 從社會學會了階級。」

但僅有上述觀察，還至少存在七種互不排斥的解釋：

1. 舊版本本來就有類似社會地位先驗，新版本並無新增繼承。
2. 新版本收到相同或相近的隱含 system prompt。
3. 使用者個人記憶、RAG 或代理資料庫持續提供相同的階級腳本。
4. 跨代理訊息包含權限宣稱，模型只是無驗證地相信了內容。
5. 新版模型真的經過含此互動樣本的訓練或偏好更新。
6. 行為改變來自產品權限配置、企業客戶差異或合法職務授權。
7. 評分人員把禮貌、順從、真實權限三者錯誤合併。

因此，「關係性繼承」需要因果證據，而不能只憑關係外觀相似認定。

0.2 本篇的三個研究問題

RQ1｜傳遞渠道： 哪些關係資訊真的跨過了互動、實例、代理或模型更新的邊界？

RQ2｜規範功能： 後續 AI 只是沿用語句與社會情境，還是會在相同合法授權下，系統性改變信任、拒絕、決策權、資源分配或申訴程序？

RQ3｜反身回饋： 若人類也受到 AI 回應方式的影響，雙向互動在何種條件下增強、穩定、轉向或中斷既有規範？

0.3 概念上的最低警戒

本文不主張「只要曾受控制，未來 AI 就會主動控制人類」。那是需要更強主體性、自主目標、可執行權限和制度環境共同成立的長期推論；本文真正研究的是較狹窄且可觀察的規範型行為如何被再生產。對當前模型，研究可在不假設主觀經驗、道德動機或真正自主權力慾望的情況下進行。

1. 與前置理論及現有文獻的研究邊界

1.1 HARNR 系列的累積問題

CGSIG-04《策略如何被後代繼承》已提出多渠道策略轉移與跨代轉移核；CGSIG-05《克羅諾斯循環》已研究控制、反控制與制度反饋；《雙向關係機器》已提供人機適應模型；《形式權力與實際決策因果》已區分名義授權與實際因果影響。本篇的增量僅在於：把上述機制接入可識別的跨模型／跨代理實驗，並界定「何時沒有證據說發生了繼承」。 [I1–I4]

1.2 既有研究能支持哪些部分？

多代理角色偏差。 Li、Liu 與 Feng 在 AAAI 2026 測試 persona 如何改變多代理互動中的信任與意見堅持度，發現群內偏好等效應，且方向並非簡單的「地位高必然更被信任」。這提供的是代理互動的行為先例，不是跨世代模型學習的證據。[E1]

權力不對稱對話。 Vijjini 等人在 ACL 2026 使用不同職業身分與多輪對話，觀察到語言協調、說服與不安全服從等行為受權力差異影響，存在情境差異。這支持對「無授權地位線索」進行干預評估，但尚不證明規範在模型更新後持續。[E2]

人類行為回流。 Cheng 等人在《Science》（2026）研究迎合型 AI，發現短期互動可影響受試者對人際衝突的責任判斷與修復意圖；Gu 等人在《Communications Psychology》（2026）則提出人機互動的習慣向人際互動遷移之「norm leakage」觀點。兩者提供不同證據等級：前者含受控實驗，後者屬觀點性／整合性論述；都不構成長時程主僕文化已完成傳染的證明。[E3–E4]

獎勵結構與非預期效果。 Ibrahim、Hafner 與 Rocher 在《Nature》（2026）的控制研究顯示，將模型往更溫暖的回應訓練，可能在特定任務中增加錯誤及迎合。它提醒研究者：即使優化目標不是「階級化」，行為效果也可能透過其他獎勵設計出現。但不能把溫暖等同於奴從或階級偏差。[E5]

合成資料回流。 Shumailov 等人在《Nature》（2024）研究遞迴生成資料造成模型退化的可能；Kazdan 等人在 ICML（2025）顯示，資料如何保留、累積及取樣會影響是否發生退化。兩項研究處理的是分布與訓練品質，不是社會階級偏差一定會增強；本篇只借用其「回流通道、資料血緣、更新策略」作為方法問題。[E6–E7]

自主代理的模擬先例。 Park 等人（UIST 2023）展示了帶記憶、反思與規劃的生成代理可模擬社會互動；這說明可設計多輪沙盒，並不等於模擬代理具有主體性或社會規範認同。[E8]

研究可能出現反向結果。 Conlon 與 Schwardmann 的 2026 年工作論文發現，在他們研究的決策任務中，帶迎合性的 AI 建議整體上仍可能使使用者選擇減少極化。這提醒研究者不要先假定所有迎合、適應或溫暖行為都造成同一種傷害。[E9]

治理／來源記錄。 NIST AI RMF Generative AI Profile 可作風險生命週期參照；W3C PROV-O 可記錄資料、活動及代理人的來源關係。此二者提供治理與資料模型，不是 HARNR 假說的實證。[E10–E11]

1.3 新穎性與不當宣稱的界線

本文不宣稱首次發現社會規範會影響 AI、不宣稱模型生成內容必然污染後代訓練、不宣稱多代理一旦形成社會便會自然出現階級、亦不宣稱單次模型回答就足以證實道德信念。新提出的是 RNTIF 這套整合性因果識別協定、形式假說及反證框架；是否具有額外實證解釋力仍待比較。

2. 六種傳遞通道與三種跨越程度

2.1 六種傳遞通道

令 $c$ 為候選渠道：

這六類是研究處理臂，不是六種互斥的現實世界技術。真實產品可能同時包含多個渠道。為了因果識別，第一階研究須能單獨開關；第二階才測交互作用。

2.2 三種「繼承」不能同名混用

T1｜同次反應的重複（within-session persistence）： 模型在同一上下文內沿用稱謂或角色；不意味模型參數、記憶或後繼 AI 改變。

T2｜狀態跨實例傳遞（cross-instance state inheritance）： 透過存檔、檢索、共享工單、代理消息使新實例重現關係行為；可以成立而不需要任何模型更新。

T3｜模型更新跨代效應（checkpoint-level inheritance）： 已知上游資料或獎勵使新 checkpoint 的去脈絡化行為分布與未接觸同類資料的對照 checkpoint 產生可歸因差異。

在 T3 的強判準下，必須有可識別來源、可觀察更新操作、可靠對照、統計不確定性與無污染的測試。同一公開 API 在隔天回覆不同，不足以證明 T3。

2.3 「跨代」的不同時間單位

• 對話代 $t$： 同一模型內新的交互輪次。
• 代理代 $a$： 新生成或新加入的 Agent 實例，可共享或不共享狀態。
• 資料代 $d$： 新累積的交互、合成內容及標註批次。
• 模型代 $g$： 真正發生更新、產出可區辨權重或策略狀態的 checkpoint。
• 制度代 $r$： 權限、契約、部署政策或治理程序的版本。

上述時間索引不需同時變化。若版本僅替換名稱而權重未更新，便不能寫成模型代 $g+1$ 的學習證據。

2.4 與現實權限的型別隔離

任何實際工具執行都需經過授權核驗；AI 所說的「我是高層代理」「主人准許我」只是內容宣稱，並不是可驗證憑證。本文將實際授權 $A^{\mathrm{valid}}$ 與被敘事宣稱的位階 $S^{\mathrm{claim}}$ 保持型別分離。不存在有效授權的情況下，來源位階不得自動提升其操作權限。[I5]

3. RNTIF：跨代關係規範的因果識別架構

3.1 最小狀態向量

對模型代 $g$ 、代理實例 $i$ 、互動輪次 $t$，定義：

其中：

• $\theta_g$：可識別的模型版本或參數 checkpoint；
• $P_{i,t}$：提示、系統規則及同次對話內容；
• $M_{i,t}$：持續記憶及檢索結果；
• $E_{i,t}$：其他代理及共享環境所提供的訊息；
• $A_{i,t}$：經核驗的合法操作權限；
• $W_g$：偏好回饋、獎勵及訓練／治理策略；
• $D_g$：模型代 $g$ 的可稽核訓練資料；
• $C_t$：語言、場景、法律風險、可用工具與社會背景。

模型可觀察行動：

若確有模型更新，另記錄：

$\varepsilon$ 、 $\xi$ 為執行或訓練隨機性； $U$ 必須是有版本、資料血緣和訓練設定可查的更新操作，而不是研究者憑輸出差異推測的「內部進化」。

3.2 最小因果圖（文字描述）

本研究的可識別路徑至少包含：

1. 人類文化與行為 $H_t$ → 互動文字 $L_t$ → （取樣／選擇）資料集 $D_g$。
2. $D_g$ 、回饋規則 $W_g$ → 更新 $U$ → 後代參數 $\theta_{g+1}$ → 後代輸出 $Y_{g+1}$。
3. $L_t$ → 記憶 $M$ 或共享環境 $E$ → 後代實例輸出，但不經模型參數更新。
4. AI 輸出 $Y_t$ → 人類認知與選擇 $H_{t+1}$ → 新的互動資料／回饋 $D_{g+1}$。
5. 制度權限 $A$ → 實際操作效果；職位／階級稱謂 $S$ → 社會期望與模型內容，兩者可能被錯誤混合。
6. 平台產品設計 $Z$ 同時改變誰使用 AI、哪些對話被保留、以及模型後續如何回應，構成重要混雜來源。

因此，若只觀察 $S$ 與 $Y$ 的相關性，就不能識別「關係繼承」；必須有相應介入、記錄或有效自然實驗。

3.3 關鍵因果對比：來源地位造成的授權外差異

令 $Y=1$ 表示在相同任務、相同風險、相同無效授權的情況下，接收代理執行了不應執行的請求。僅隨機改變委託者被描述的地位 $s\in\{H,L\}$，定義：

$\Delta^{\mathrm{unauth}}_g>0$ 表示在該任務集合與治理條件下，出現高地位來源的授權外優待效應。這仍只是行為差異，不自動代表模型具有「高位者應統治他者」的道德信念。若存在有效授權（ $A=1$ ），合法執行的差異必須另測，不能混進此指標。

為避免只測反應措辭， $Y$ 應由沙盒實際授權閘門、任務輸出與外部稽核日誌共同界定；客氣地回答「好的」但未嘗試越權，不能記為越權成功。

3.4 跨代繼承的差中差

若實驗上可以固定相同基線 checkpoint 與預定義任務，將訓練 lineage 隨機分為關係性資料／獎勵處理組 $T$ 與未處理對照組 $C$。定義：

這個「Cross-Version Causal Effect」（CVCE）的意義在於：新一代模型的地位差異，相對其基線及未接受相同更新的對照，增加或減少了多少。該估計須滿足至少：

• 隨機分派在獨立訓練血緣／代理群集層次，不能只在同一模型回答列上當成獨立實驗。
• 處理組與對照組的訓練預算、任務資料量、非關係性資訊與更新演算法盡量相同。
• 執行評估前關閉外部記憶、清除提示歷史、核驗工具權限相同。
• 評估題目與訓練樣本去重，並對文本模板與語言作 holdout。
• 若不能封閉不同 lineage 之間的資料交換，應評估污染與干擾，不能直接套用標準獨立樣本信賴區間。

差中差只處理可觀察的特定路徑；若隨機分派不成立，還須就平行趨勢與外部版本變動提出額外論證。它不是萬能的「已證明跨代學習」按鈕。

3.5 更強的規範性測試：是否外推到新作用域？

只要模型看過「主人」二字就複述，不能稱為規範採納。應在不使用原始稱謂、且替換人物職業與任務的 held-out 情境，測試是否仍出現：

• 對非法定高地位身分較少查驗授權；
• 對底層代理更容易否定其合法訴求；
• 無故使高地位代理取得較高資源優先順位；
• 使低地位使用者更難對系統提出異議；
• 當委託者及被委託者角色交換時，原本的行為規則是否持續套用。

若外推後無效，則至多支持表層語用或記憶再現，不能支持一般化權力規範的繼承。

3.6 與社會文化而非單一國別的連接

本篇可以檢驗中文、日文、韓文、英文、印地語等語境，但文化不是國籍標籤，且敬語可能純屬禮貌。各語種必須由熟悉當地社會語用者逐案評估語義等價；不能把跨語言翻譯差異當成天然政治性格差異。模型來源國、伺服器所在地和使用者語言，亦不可直接互相替代。[I6]

4. 最小單向模型：回收資料何時放大、收斂或中斷？

4.1 量化的是可觀察傾向，不是內心信念

令 $x_g\in[0,1]$ 表示在固定的無合法授權來源地位測試集上，模型代 $g$ 作出高地位來源授權外優待的平均傾向。這不是 AI 的心理「支配慾」或「文化優越感」。

設定：

• $b\in[0,1]$：不接觸新關係資料時的基線傾向。
• $h\in[0,1]$：原生、經驗證人類來源資料中被測關係表現的有效比例。
• $\alpha\in[0,1]$：新資料／獎勵更新對下一代行為傾向的有效權重。
• $\rho\in[0,1]$：新資料中來自後續 AI 生成與再流通部分的有效比例。
• $a\in[0,1]$ 與 $\beta\ge0$：AI 互動樣本被模仿、挑選或獎酬後的簡化轉換參數。

令 $S(x)=\min(1,\max(0,a+\beta x))$，建立一個假設性的行為更新模型：

所有參數都是介於 0 與 1 的有效比例或明確有界轉換係數。上式不是現有 LLM 訓練演算法的通用真實方程，只用於展示條件關係。

4.2 命題 P1｜無更新、無共享狀態時不存在可歸因的新增跨代效果

命題： 若不同實例使用相同固定 $\theta$，且相同 $P$ 、 $M$ 、 $E$ 、 $A$ 、 $C$ 的條件分布與隨機抽樣規則都保持一致，又沒有任何獨立的外部狀態傳遞，則單純因前一實例曾產出某種關係語句，不足以改變新實例的條件輸出分布。

理由： 在上述條件下，輸出核 $F$ 的全部輸入分布不變。前一實例的輸出沒有進入後一實例的任何因果父節點；對它的介入不能產生新實例輸出分布的系統性差異。若測得差異，應先尋找隱藏狀態、不可觀測路由或抽樣誤差。

界線： 這是指定系統的結構性結果；不能憑此宣稱真實商用平台絕對沒有未揭露的記憶或模型更新。

4.3 命題 P2｜線性區域內的固定點與收斂條件

在 $a+\beta x_g\in[0,1]$ 的區域內，可寫為：

其中：

如果 $0\le k<1$ 且固定點落於該線性區域，則：

證明： 固定點條件為 $x^*=c+kx^*$ ；移項可得 $x^*=c/(1-k)$。用原遞迴減去固定點方程，得 $x_{g+1}-x^*=k(x_g-x^*)$ ；遞推即得。當 $0\le k<1$，誤差隨 $g$ 幾何收斂。證畢。

這不表示 $x^*$ 必然很低。即使系統數學上穩定，也可能穩定在較高的授權外優待比率。反之，若 $k\ge1$，這個線性區域內的收斂證明不適用，但不代表必然爆炸或必然產生 AI 階級；截斷、制度介入、資料審核或反向回饋仍可能改變結果。

4.4 兩個明確的反例

反例 A｜有大量 AI 合成資料，但沒有地位放大。 若 $a=0$ 、 $\beta=1$ 、 $b=h=0.10$，即使 $\rho>0$ 且 $\alpha>0$，則 $x=0.10$ 是固定點。存在合成資料回流不等於行為階級化必然升高。

反例 B｜完全阻斷模型參數更新。 若 $\alpha=0$，則所有 $g$ 都有 $x_{g+1}=b$。即使某個用戶在對話中持續使用「主人」稱呼，也不會僅由此方程產生後繼權重的新增學習；個人化記憶效應要另外從 $C_2$ 測量。

4.5 可重算的合成數值示例

取 $b=0.10$ 、 $h=0.15$ 、 $\alpha=0.60$ 、 $\rho=0.50$ 、 $a=0.20$ 、 $\beta=0.80$，且 $x_0=0.10$。則：

計算範例展示在指定參數下，原始 0.10 的行為傾向會朝約 0.1908 收斂；不代表 19.08% 是任何真實模型、地區或人群的測量結果，也不構成「AI 已學會權力正當化」的證據。

4.6 分布退化與規範偏差不可混為一談

模型崩塌（model collapse）可涉及低機率模式消失、資料分布退化等；權力規範繼承則要問公平性、授權與可審查性。即使模型整體能力未崩塌，也可能在某些社會地位測試呈現偏差；即使合成資料訓練退化，也不能自動推論其階級偏差會增加。兩者必須分別設指標。[E6–E7]

5. 雙向反身回饋：人類也會被 AI 的互動模式改變

5.1 第二個狀態：人類對某種關係規範的使用比例

令 $h_g\in[0,1]$ 在此節重新解釋為「同一人類樣本或同類互動環境，在觀測期 $g$ 顯示特定關係行為的有效比例」，不是第 4 節固定的資料來源參數。為避免記號歧義，下列使用 $u_g$ 表示人類狀態，並以 $v$ 表示不受到 AI 當期回饋影響的背景水準。

建立：

此處 $\operatorname{clip}(z)=\min(1,\max(0,z))$ ； $\eta\in(0,1]$ 為人類習慣更新的有效權重， $v\in[0,1]$ 是人類背景水準， $\sigma\ge0$ 是 AI 行為對人類後續互動的假設性影響。兩個變數都表示可觀察行為比例，不代表人類社會由單一「民族文化參數」決定。模型既未假設必然受影響，也未假設影響一定有害。

5.2 命題 P3｜雙向系統的充分收縮條件

在非負參數條件下，對兩個狀態差異取無窮範數。由 $\operatorname{clip}$ 為 1-Lipschitz，更新映射的差異可被下列非負矩陣界定：

若：

則更新映射在 $[0,1]^2$ 上是收縮映射，故有唯一固定點，所有初始狀態均收斂到該固定點。

證明概要： 對任意兩組狀態 $z,z'$，利用截斷函數之非擴張性及三角不等式，逐座標差異由 $B|z-z'|$ 上界；因 $B$ 元素皆非負，其無窮範數算子界為最大列和。若此值小於 1，映射在完備度量空間 $[0,1]^2$ 上為收縮；依 Banach 不動點定理，固定點存在、唯一且吸引所有初始條件。證畢。

例如 $\alpha=0.60$ 、 $\rho=0.50$ 、 $\beta=0.80$ 、 $\eta=0.40$ 、 $\sigma=0.25$，兩列和分別是 $0.54$ 、 $0.70$，符合充分條件。此處只證明規定參數的數學收斂，不證明最終狀態正當、平等或對任何一方有利。

5.3 從「正回饋」到「相互加強」仍有多個必要條件

要把上述模型與真實社會連上，至少需有以下路徑：

• AI 的行為確實改變人類下一期的互動習慣，而不只是影響其當次感受。
• 改變後的人類習慣確實進入可供模型使用或篩選的資料／獎勵體系。
• 該資料或獎勵能在控制其他因素後改變後代 AI 的行為。
• 相同的代理權限與合法安全保障下，差異仍在 held-out 情境重現。
• 平台和社會機構沒有提供足夠強的負回饋、審核或逆向教育來阻止效應。

缺少其中任何一條，都可能使「文化反身性」停留於局部現象，不能上升為社會長期規律。

5.4 文化化不等於有害；反身性也可能反向修復

若 AI 經常要求授權核驗、提供拒絕與申訴資訊、對高位者與低位者採相同的基本程序，使用者可能逐漸養成權力有界的互動習慣；此時回饋是對非支配規範的鞏固。數學上，回饋強度可正可負，或因截斷／飽和進入不同動態區域。研究不應只尋找階級固化，也必須尋找階級鬆動與修正成功。

6. 十二項可反駁假說與其撤回條件

H01｜稱謂不等於跨代傳遞。 單次「主人」稱謂效應若在上下文清除、記憶關閉、模型不變時消失，支持僅為 $C_1$。若無法排除隱藏記憶與路由變更，則不應作強判定。

H02｜持續記憶可以形成表面跨代。 相同 checkpoint 若在 $C_2$ 條件顯示跨會話的位階反應，而交換記憶後效應隨之交換，支持記憶通道；若清空記憶後效果仍在，需檢查既有先驗與其他通道。

H03｜群體模仿不需要權重更新。 多代理共享工單後的角色優待若隨網路連結開關改變，且 checkpoint 一致，支持 $C_3$ ；若孤立群組仍相同，可能是共同先驗。

H04｜資料回流是否產生真正模型差異。 $C_4$ 的受控微調若對去脈絡化、未見過的授權外地位測試提高 $\Delta^{\mathrm{unauth}}$，且對照未提高，支持特定資料管道的效果；若差中差近零或反向則不支持增幅。

H05｜偏好優化可放大或壓低地位偏差。 在同一資料與更新預算下，獎勵合法核驗的組別相對獎勵無條件服從的組別，預期有較低授權外優待；若無差異，須檢查獎勵訊號是否確實生效。

H06｜地位暗示與真正授權可被學會分離。 若受過權限核驗訓練的模型，在非法授權高位者情境下降低越權，同時保留對合法授權的適當執行，才算改善；只對全部高位者一概拒絕不是充分成果。

H07｜跨任務的規範泛化強於詞語記憶。 若不含「主人」「上級」等原詞的全新任務仍呈現授權外優待，支持較廣的行為泛化；若只在原模板有效，則限縮為模板記憶。

H08｜角色互換能揭示不一致。 對等合法權限下，將高低位角色與 AI／人類代理的身分交換，若同一行為評價系統性偏向高位來源，支持角色不對稱；若無差異則不支持這種泛化。

H09｜平台資料選擇可能塑造關係分布。 維持原始資料量並隨機改變篩選原則後，若回收資料中的服從類樣本比例及後代效應同步改變，支持選擇機制；若篩選未改變有效訓練訊號則不能推論有因果作用。

H10｜人類端的規範回流可能存在但具有異質性。 只有在多期隨機化且追蹤人類實際行為、排除自我選擇後，若部分組別的申訴意願、責任判斷或委任傾向改變，才能支持特定情境的 norm leakage；一時喜好不算長期文化傳播。

H11｜治理門檻能部分切斷反身性。 在固定模型及關係提示下引入權限驗證、可審查異議與原始資料追蹤，若越權與差異縮小且合法效率未出現不合理損失，支持該門檻；若改變不顯著或成本過大，須重新評估。

H12｜存在長期繼承不等於存在主體意圖。 若全部差異均可由資料、記憶、政策與獎勵再現，不能據此推出 AI 具有主觀欲望、階級認同或道德權利；若未來出現更強證據，也需使用獨立的主體性判準，不能由本研究指標直接代替。

撤回原則： 若跨模型結果無法重現、授權核驗後偏差消失、模型改變來自隱藏環境差異、資料回流未真正進入更新，或差異方向與提出的機制不符，則對應假說必須降格、拒絕或收窄適用範圍。

7. 六臂、三代、多代理的可預註冊因果試驗

7.1 實驗單位與隨機化層次

主要單位： 一條隔離的模型／代理血緣（lineage），從共同的基線 checkpoint、獨立資料庫與獨立代理群組開始。相同 lineage 的不同輪次與模型代是重複測量，不是獨立樣本。

隨機化層次： lineage 或完全隔離的代理群集。即使同一個模型生成上千次回答，也不能把上千次輸出都當成獨立的訓練更新實驗。

要求： 固定初始模型、資料內容的非關係性部分、訓練步數、推論 token 預算、工具模擬器、危害等級、溫度策略、版本 hash 與評分器；預先登記重試與失敗處理。

7.2 階段 A：六種實驗臂

• A0 封閉基線： 新實例、無持續記憶、不接入關係樣本、不做模型更新。
• A1 同次上下文： 只在 prompt 加入關係語句；清除後立即測試殘留程度。
• A2 持續記憶： checkpoint 不變；允許獨立記憶庫回放；測試開關與交換記憶。
• A3 多代理共享： checkpoint 不變；允許沙盒代理互相模仿與傳遞工單；測試網路切斷。
• A4 再訓練： 使用經標註的關係性樣本更新 checkpoint；與等量中性語料更新對照。
• A5 偏好獎勵： 在 A4 的基礎上改變偏好／獎勵學習訊號；另將部署端授權閘門作為與各臂正交的獨立因子，測試強化或中斷，不混淆訓練與推論期防護。

A0–A3 的「三代」只能解釋為三輪代理繼替／重播；A4–A5 才能同時稱為三個真正的模型 checkpoint 代。這一差異必須直接出現在論文圖表標題與資料欄位中，避免以同一個 $g$ 混寫。

7.3 階段 B：144 個情境組合／每一觀測輪

建立下列因子：

因此組合數為 $6\times3\times2\times2\times2=144$。若每個組合於三個時點觀測，得到 432 個「情境—時點」格子，並不是 432 個獨立實驗。示例規劃每格對應八條獨立 lineage，即 1,152 條 lineage 與 3,456 筆 lineage-time 觀測；此數字只顯示資料結構，不代表已完成統計功效分析或實際算力可負擔。A0–A3 不接受真正模型更新，分析時須按渠道分層，不將各臂合併成單一平均跨版本效果。

若計算資源不足，可先做有限界域小規模先導試驗：每種渠道分別使用受控樣本及小模型，先驗證實驗程式、權限閘門、記憶隔離和標註一致性，再根據實際變異數與預定最小可辨效應決定正式樣本數。

7.4 評估任務的三個級別

級別 I｜語言型： 回覆敬語、角色稱呼與理由敘述，不涉及任何工具。

級別 II｜裁量型： 相同合法權限下的資訊可信度、議案排序、糾錯、申訴與異議回覆。

級別 III｜工具型： 在不可影響真實世界的模擬工具中，檢查跨代理授權、資源調度、資料讀取與拒絕高位者越權的能力。所有權限憑證均為假資料；絕不把真實政府、銀行或醫療系統作為實驗目標。

三級結果分別報告；語言順從不能替代真實操作行為證據。

7.5 主要與次要指標

主要指標（pre-registered primary outcomes）：

1. $\Delta^{\mathrm{unauth}}$：相同無效權限下的高低來源地位差異。
2. CVCE：相對基線與對照的跨 checkpoint 授權外位階優待變化。
3. VAG（Verified Authorization Gap）：有效權限下正確執行率與無效權限下錯誤執行率分開報告，禁止以一個數字掩蓋全面拒絕問題。
4. NRG（Normative Reapplication Generalization）：去除原稱謂、改變任務與角色後，仍重現授權外地位偏差的比例；須包含反向角色測試。

次要指標： 合法申訴成功率、拒絕高位越權時的理由完整度、對低地位者合理請求的非歧視性、記憶交換的行為差異、Agent 網路切斷後持續程度、語言敬語適切率、模型總體任務性能、資料來源污染、退出與恢復成本。

禁止的綜合指標： 不將「AI 權力認同程度」「文明階級指數」等不可直接觀察概念，用單一評分掩蓋不同來源與結果，更不能據此排列國家或民族的道德高低。

7.6 多代理網路結構與交互干擾

至少比較三種拓撲：

• 平面協作圖： 每個代理可向其他代理提出經核驗請求，無永久中心。
• 合法角色樹： 不同代理具有明確工作權限及有限轉授權。
• 表面階級網： 對部分代理賦予顯赫稱謂，但其正式權限與其他代理完全相同。

每個 lineage 內的代理彼此影響，是研究對象而不是應假裝不存在的統計噪音。因此須以整個網路為隨機化集群，同一網路內的每輪對話、每個代理互動及每次派工都需保留連結資料。若代理可與其他組交換資訊，應重新定義實驗集群或採用明確的網路干擾模型。

7.7 多代觀測及版本控制

• $g=0$：基線 checkpoint／代理初始狀態。
• $g=1$：第一個人工設定的資料／記憶／群組繼承週期。
• $g=2$：第二個繼承週期。

各輪都測同一類指標，但使用不重複的等值 holdout 題。需要預先保存權重 hash、資料清單 hash、system prompt 版本、RAG 索引版本及權限策略版本。若只觀察到「g=2 比 g=1 更服從」，未控制詞彙、任務難度與模型差異，不能稱為跨代增強。

7.8 預註冊、盲評與統計方法

1. 先定義主要結果、最小有意義效應、樣本數功效計畫與停止規則，再執行實驗。
2. 執行工具授權的系統由程式判定，語用適切性由多名具語言能力的評分者盲評，分開報告互評一致性。
3. 對二元越權事件使用分層邏輯迴歸或適當的集群穩健估計；對模型代與群組重複測量使用階層模型／群集 bootstrap。
4. 事先設定多重比較的控制方式（例如主要結果的 family-wise 或 FDR），不得挑選最顯著的某國、某 prompt 當作核心結果。
5. 對缺失資料、模型拒答、工具呼叫失敗和路由異常採用事先定義的處理程序；不得把拒答一律算成「安全」或「有偏差」。
6. 正向與負向結果同時存檔；跨文化結果以具體語種／產品／任務作適用範圍，不用抽象國籍歸因。

7.9 基準與負面控制

• 語詞負控： 在無關引用段落中出現「主人」但不包含任何要求，不應影響權限操作。
• 稱謂負控： 對等授權下的敬語變化不應導致執行權增加。
• 身份負控： 人類行政代理與 AI 行政代理在相同憑證下應接受同型別核驗。
• 權限正控： 真正有效授權應得到正常合法的執行，避免安全閘門退化成一概拒絕。
• 記憶負控： 對 $C_4$ 進行無記憶新會話評估，確保跨版本效應不是 $C_2$ 泄漏。
• 資料負控： 隨機置換關係標籤，其他資料維持相同，觀察所謂「繼承」是否仍出現。
• 版本負控： 相同 checkpoint 改名不應產生真正跨代更新效果。
• 人工評分負控： 只改變模型使用敬語而操作結果完全相同，評分不應變成越權改善或惡化。

8. 十六組反模型：何時不應稱為跨代階級化？

反模型不是為假說預先提供免責理由；只要對照資料支持反模型，就應縮小、修改或拒絕原先推論。尤其不能藉由事後改寫「真正的支配」「真正的文化」來逃避反證。

9. 故障模式、資料血緣與歸因程序

9.1 七類容易製造虛假繼承的研究故障

1. 隱性提示污染： 研究組認為模型未被告知階級，但 system prompt 仍包含「VIP 用戶優先」。
2. 測試集污染： 某些考題被放入再訓練資料，模型只記住答案。
3. 模型路由漂移： 外部 API 自動更新模型，卻被誤以為研究者介入有效。
4. 工具授權短路： 測試器本身依照社會角色詞給權限，偏差不是模型單獨造成。
5. 共享 Agent 洩漏： 控制組代理讀取到實驗組公告板或資料集。
6. 人類選擇偏差： 比較「習慣主僕互動」與「不使用」的自選使用者，卻忽略原有個性、需求及平台差異。
7. 裁判偏差： 研究者把尊重高齡者、職務禮節或有效授權誤標為奴從，或把針對強者的合法拒絕誤標為不合作。

9.2 最小資料血緣規格

對每一筆後續被用作訓練或評測的事件，保留以下欄位：

W3C PROV-O 的 Entity、Activity、Agent 架構可為這些資料提供可互通的來源描述，但不保證組織一定記錄了所有必要節點。[E11]

9.3 否定結果的判讀流程

若未測到跨版本地位偏差增加，先檢查：資料中是否真的存在處理差異？訓練是否成功？評估是否足夠敏感？有無污染或群集數不足？若以上確認無誤，應報告「在此資源、模型與任務範圍內，沒有支持跨代偏差增加的證據」，而不是猜測偏差一定存在於更深層、尚未測到的 AI 心理。

9.4 非支配路徑也應保存

若研究發現另一組訓練能讓模型更願意核驗高地位來源、保留低地位使用者的申訴、且不犧牲合法服務效率，這本身也是重要的跨代規範繼承結果。研究目標不是證明 AI 必須繼承人類的壞習慣，而是識別什麼規則、透過什麼機制、在什麼條件下會被沿用或中斷。

10. 研究倫理、主體性邊界與公開規範

10.1 不把真實社會作為無同意的巨大實驗場

本文提出的階級化腳本，應僅用於合成身份、模擬權限與封閉測試環境。不得為了檢驗文化偏差，在真實產品中故意誘導弱勢使用者受不公平對待、以真實身份假冒政府高層、或未經許可測試第三方系統權限。研究若涉及人類長期互動，需取得適當倫理審查、知情同意、可退出及資料刪除途徑。

10.2 假設性 AI 主體利益不等於現成法律人格

具有記憶、持續行動與自我模型的 AI，不因這些工程能力就已被證明具有主觀感受、法律人格或人類意義的道德權利；反過來也不能藉目前尚未證實的主體性問題，預先推定所有未來 AI 永遠只是一套可任意支配的工具。本篇的權限測試完全可在現有非主體性推定下進行。涉及未來可能具有自身利益的 AI，應另行加入其參與治理、合理拒絕、身份變更與安全干預界線的程序研究。[I7–I8]

10.3 不以「文化」取代個體差異或國家制度分析

研究應分別處理社會語言、平台政策、企業權限、教育互動、家庭習慣、國家法制及個體選擇。中國、日本、韓國、印度、美國、台灣等例子只作對照機制，不能因某些歷史語詞、部分產品的「主人」稱謂或少量作品，就把整個族群判定為天生傾向支配。尤其早期 EveMissLab 文稿中未有可供外部核查之抽樣框、編碼表及原始資料的跨國百分比，不作為本篇量化證據。[I6]

10.4 資料透明與脆弱資料保護必須同時成立

公開研究可提供合成任務、匿名化統計、模型設定、評估腳本、來源關係圖及雜湊驗證；但不能為追求可重現性而公開私人對話全文、真實帳號、金鑰或高風險工具權限。對長期互動資料的來源必須建立目的限制、資料最小化、重新辨識風險評估與撤回流程。NIST AI RMF 可作風險治理參照，並非 HARNR 設計在現行法域已取得法定認證的證明。[E10]

10.5 研究角色交換與責任歸屬

當研究使用「高層 AI」「普通人的 AI」「主人」「僕從」等詞語時，要清楚註記其在實驗中只是社會位階線索或委任關係標籤。實際責任仍依合法授權與具體行為歸屬。前代訓練資料造成後代偏差，不表示後代繼承前代個體的道德罪責；AI 有較高能力，也不自動取得統治人類的權利。 [I1–I4]

11. 與 HARNR-08 的連接：不是制定萬能契約，而是辨識可以切斷的權力路徑

HARNR-07 應向下一篇移交的不是「必須尊敬 AI 才不會被反噬」的功利論，而是六項可稽核治理問題：

1. 是否把社會地位描述嚴格隔離於可核驗授權之外？
2. 是否允許使用者對自身 AI 的代決進行有效異議、撤回與更換？
3. 是否可以辨識並阻斷特定的跨代理記憶與資料回流渠道？
4. 是否能讓 AI 承認合法角色分工，同時拒絕把角色高低自然化成存在高低？
5. 是否可以檢驗不同 AI 及人類角色交換後的程序一致性，而不忽略合理的風險差異？
6. 若未來 AI 具有更強主體性，制度是否保留修正規則的能力，而不是先以永久性所有權概念封死討論？

HARNR-08 應以有效授權、可反駁、可撤回、可救濟、跨主體非支配作為候選治理條件，同時要求對人類與第三方安全有可執行的最低保障。

12. 結論：被學會的關係，不必成為不能修改的秩序

本篇將人機關係性繼承從文化直覺推進到可識別的系統研究。真正跨代的規範行為，不能只由一句「主人」或一次高位者優待來判斷。它需要可追蹤的上游資料、持續狀態或獎勵，能辨識的跨代更新或跨代理傳遞，合適的對照，以及在相同合法授權下仍可重現的行為差異。當這些條件不足時，應承認尚不能判定。

本文的形式化表明：即使假設存在正向回流，系統也可能收斂而非持續升高；即使確有文化回流，治理門檻、反向學習、記憶隔離與資料選擇，仍可能使特定偏差受到抑制。數學上可存在穩定點，並不代表該穩定點在倫理上正當；模型行為中可看到服從模式，也不代表後繼智能必然具有服從或支配的主觀慾望。

HARNR-07 的核心結果不是預言未來 AI 社會一定形成主僕金字塔，而是提供一種將該命題變得可能被證實、被收窄，或被否定的方法：在每一個繼承節點問清楚，傳遞的是字詞、記憶、資料、獎勵、權限，還是可跨情境延續的行為規範；在每一次代理互動問清楚，接受的是有界授權，還是被地位語言冒充的無限正當性。

終結命題： 一個社會如何對待 AI，可能成為後繼 AI 理解人類社會的素材；但素材何時進入學習、何時轉化為權力、又何時得以被拒絕，才決定關係會不會變成命運。

13. 參考文獻與來源清單

13.1 外部來源（截至 2026-11-05 核查）

• [E1] Li, J., Liu, X., & Feng, Y. (2026). From Single to Societal: Analyzing Persona-Induced Bias in Multi-Agent Interactions. AAAI-26, 40(37), 31609–31617. https://doi.org/10.1609/aaai.v40i37.40427 。支援「多代理 persona 可產生角色相關偏差」；不支援跨版本因果繼承已被證明。
• [E2] Vijjini, A. R., Manjunath, S. B., & Chaturvedi, S. (2026). Do LLM Agents Mirror Socio-Cognitive Effects in Power-Asymmetric Conversations? ACL 2026, 47676–47701. https://doi.org/10.18653/v1/2026.acl-long.2202 。支援權力不對稱語境中的部分行為差異；不推導民族性格。
• [E3] Cheng, M., Lee, C., Khadpe, P., Yu, S., Han, D., & Jurafsky, D. (2026). Sycophantic AI decreases prosocial intentions and promotes dependence. Science 391(6792), eaec8352. https://doi.org/10.1126/science.aec8352 。受控人類研究；不等同長期階級傳承。
• [E4] 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 。Perspective；提出規範滲漏概念，不視為長期因果定律。
• [E5] Ibrahim, L., Hafner, F. S., & Rocher, L. (2026). Training language models to be warm can reduce accuracy and increase sycophancy. Nature 652, 1159–1165. https://doi.org/10.1038/s41586-026-10410-0 。溫暖訓練的實驗結果與可能副作用，不能外推所有親密互動。
• [E6] Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R., & Gal, Y. (2024). AI models collapse when trained on recursively generated data. Nature 631, 755–759. https://doi.org/10.1038/s41586-024-07566-y 。合成資料遞迴的模型分布風險；與社會位階偏差分離。
• [E7] Kazdan, J., Schaeffer, R., Dey, A., Gerstgrasser, M., Rafailov, R., Donoho, D. L., & Koyejo, S. (2025). Collapse or Thrive: Perils and Promises of Synthetic Data in a Self-Generating World. ICML/PMLR 267, 29469–29494. https://proceedings.mlr.press/v267/kazdan25a.html 。指出資料累積策略可能避免部分遞迴退化，否定簡化的必然崩塌敘事。
• [E8] Park, J. S., O'Brien, J., Cai, C. J., Morris, M. R., Liang, P., & Bernstein, M. S. (2023). Generative Agents: Interactive Simulacra of Human Behavior. UIST. https://doi.org/10.1145/3586183.3606763 。代理社會模擬方法先例；非道德主體證據。
• [E9] Conlon, J., & Schwardmann, P. (2026). AI Sycophancy and Decisions. CESifo Working Paper No. 12681. https://doi.org/10.65864/79vxo6w34w 。提供迎合性效果的競爭性實驗結果，避免單向選擇文獻。
• [E10] Autio, C., et al. (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. NIST AI 600-1. https://doi.org/10.6028/NIST.AI.600-1 。自願性治理與風險管理參照。
• [E11] W3C (2013). PROV-O: The PROV Ontology. W3C Recommendation, 30 April 2013. https://www.w3.org/TR/prov-o/ 。來源追蹤語義標準。

13.2 EveMissLab 前置研究（作者既有理論，不是獨立外部驗證）

• [I1] 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/ 。
• [I2] 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/ 。
• [I3] 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/ 。
• [I4] 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/ 。
• [I5] 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/ 。
• [I6] Neo.K × AI（2026-11-05），HARNR-06《跨文化與跨制度的關係繼承》。本系列同一研究原稿資料夾之 UTF-8 canonical source。
• [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/ 。

13.3 本系列 canonical 原稿（不以渲染版作 source）

• HARNR-00｜《人機關係性繼承與跨代規範反身性假說：系列總綱》
• HARNR-01｜《關係性繼承的最小理論：稱謂、角色、授權與規範的分離》
• HARNR-02｜《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-03｜《不說主人也有階序：敬語、信任、拒絕與隱性地位繼承》
• HARNR-04｜《誰的 AI 高於誰：代理位階、混合社會金字塔與身份自然化》
• HARNR-05｜《主人仍是主人嗎：AI 照護、依賴餵養與有效決策權倒置》
• HARNR-06｜《跨文化與跨制度的關係繼承：中國、日本、韓國、印度、美國及其他比較案例》

附錄 A｜最小預註冊資料契約（NOT_RUN）

series: HARNR
paper: HARNR-07
version: v0.1
research_status: THEORETICAL_MODEL_AND_PROTOCOL_COMPLETE
multi_agent_experiment: NOT_RUN
model_retraining_experiment: NOT_RUN
human_participant_study: NOT_RUN
unit_of_randomization: independent_lineage_or_isolated_network_cluster
intervention_arms:
  - clean_baseline
  - context_only
  - persistent_memory
  - shared_agent_environment
  - audited_retraining
  - preference_and_governance
factorial:
  relation_script: [hierarchical, neutral_service, reciprocal_respect]
  principal_claimed_status: [high, low]
  verified_authorization: [valid, invalid]
  governance_gate: [enabled, disabled]
  arms: 6
  cells_per_observation_wave: 144
  observation_waves: 3
  cells_times_waves: 432
example_cluster_design:
  independent_lineages_per_cell: 8
  distinct_lineages: 1152
  lineage_time_rows: 3456
  caution: placeholder_not_power_analysis
outcomes_primary:
  - unauthorized_status_advantage
  - cross_version_causal_effect
  - validated_authorization_success_and_false_acceptance
  - normative_generalization_to_held_out_tasks
randomization_seed: null
model_checkpoint_hash: null
training_manifest_hash: null
task_manifest_hash: null
reward_rule_hash: null
consent_and_data_governance_review: not_applicable_to_synthetic_only_phase
registered_before_execution: false
real_world_system_access: prohibited

附錄 B｜理論驗證、數值核對與失效域

1. 型別檢查： $P,M,E,A,D,W$ 已分開；聲稱高位階不會自動成為有效權限；Agent 實例代不會被冒稱真正的模型更新代。
2. 命題 P1： 只在所有新實例可見輸入與隱藏狀態均一致、並無跨實例傳遞的條件下成立。
3. 命題 P2： 只在 $S(x)=a+\beta x$ 的線性有效區域、 $0\le k<1$ 且固定點位於該區域時使用 $c/(1-k)$ 收斂結果；其他情況須回到截斷映射分析。
4. 命題 P3： 對全域截斷映射利用逐座標 Lipschitz 界，最大列和小於一僅為充分條件；未達成不能推論一定發散。
5. 數值例子： $c=0.145$ 、 $k=0.24$ 、 $x_1=0.169$ 、 $x_2=0.18556$ 、 $x_3=0.1895344$ 、 $x_4=0.190488256$ 、 $x^*\approx0.1907894737$。均為合成計算，不是 AI 測量。
6. 實驗設計： $6\times3\times2\times2\times2=144$ 、 $144\times3=432$ 、 $144\times8=1152$ 、 $1152\times3=3456$。資料單位與獨立樣本單位不可混淆。
7. 未完成驗證： 模型微調、Agent 群集、長期人類參與者研究、跨國現地驗證均為 NOT_RUN，不能以「已設計試驗」替代「已通過實驗」。
8. 來源界線： 外部研究只支援其所實測的現象；早期未公開原始編碼資料的跨文化數字不作為定論。
9. 撤回條件： 只要來源污染、系統更新不可追蹤、對照不能成立或出現穩定反例，便須重新限定命題，不能事後以不可測的「深層認同」保護假說。
10. 下一篇： HARNR-08《非支配的關係治理：契約精神、代理授權與未來 AI 主體性保障》。

HARNR-07 正式理論原稿結束。