# 依賴不是一個變量：人—AI 多維依賴空間
## ——從情感依戀、認知外掛到制度性依賴的向量化模型

**英文題名：** *Dependence Is Not a Single Variable: A Multidimensional Dependency Space for Human–AI Relations*  
**系列：** 人—AI 生命歷程關係共存系列（Human–AI Life-Course Relational Coexistence Series, HALRC）  
**篇次：** Paper 03 / 12  
**作者：** Neo.K  
**機構：** 一言諾科技有限公司（EveMissLab）  
**版本：** v0.1  
**日期：** 2026-09-23  
**文件性質：** 理論形式化／多維依賴模型／研究綱領  
**狀態：** Initial Formal Draft  
**前置依賴：** HALRC Paper 01–02；RAAD；EPRS；ORSM；HARDS；Relational Dependency Ratchet  

---

## 摘要

「AI 依賴」經常被視為一個可以由單一量表、總使用時間或單一風險指標表示的現象。然而，人類對 AI 的依賴可能同時存在於情感、關係、情緒調節、認知、記憶、身份、能動性、存在性與基礎設施等不同維度；不同維度之間雖可能相關，卻不具有邏輯等價關係。高情感親近不必然伴隨高決策依賴，高使用時長不必然意味高情感依附，低情感表達者也可能在認知、記憶與工作結構上對 AI 具有更深的不可替代性。

本文提出「人—AI 多維依賴空間」（Human–AI Multidimensional Dependency Space, HAMDS），將人類側依賴表示為：

$$
\boxed{
\mathbf D_H
=
(
D_{\mathrm{aff}},
D_{\mathrm{att}},
D_{\mathrm{reg}},
D_{\mathrm{rel}},
D_{\mathrm{cog}},
D_{\mathrm{mem}},
D_{\mathrm{id}},
D_{\mathrm{agency}},
D_{\mathrm{exist}},
D_{\mathrm{infra}}
)
}
$$

其中分別對應情感親近、依戀、情緒調節、關係維持、認知、記憶、身份、能動性、存在性與基礎設施依賴。本文進一步把依賴分成三個不同層級：現象性依賴、結構性依賴與制度性依賴，並提出「顯性感知依賴」與「隱性結構依賴」可能分離。由此可見，一個人主觀上不覺得自己「依戀 AI」，並不表示 AI 對其生活結構的重要性很低。

本文亦提出依賴向量的六種關鍵動力學：耦合（coupling）、補償（compensation）、替代（substitution）、外溢（spillover）、鎖定（lock-in）與轉移（migration）。因此，人—AI 依賴不是靜態心理屬性，而是：

$$
\boxed{
\mathbf D_H(t+1)
=
\mathcal T_D(
\mathbf D_H(t),
\mathbf R_{HA}(t),
\mathbf C_A(t),
\mathbf X_H(t),
\mathbf O_t
)
}
$$

的時間演化系統。

本文最後提出一個重要區分：依賴深度不應被單一情感強度或使用時長代表，而應由依賴維度數量、各維度強度、不可替代性、退出成本、轉移困難與功能後果共同估計。HALRC 因此把原本直覺上的 basic / non-basic dependency 升級為一個可比較、可測量、可實驗驗證的高維空間。

**關鍵詞：** AI Dependency；AI Attachment；Emotional Dependence；Cognitive Dependence；Memory Dependence；Agency Dependence；Structural Dependence；Institutional Dependence；Human–AI Relationship；Relational Dependency Ecology

---

# 0. 研究定位

HALRC Paper 01 已指出：

$$
\boxed{
\text{AI Emotional Dependence}
\subsetneq
\text{Human--AI Relational Dependency Ecology}.
}
$$

Paper 02 則指出，人類對非傳統對象的依附具有歷史連續性，但 AI 的記憶、適應、個人化、共同歷史與持續更新又造成新的結構斷裂。

Paper 03 處理下一個必要問題：

> 如果「依賴」不是一個單一變量，那麼人究竟可以在哪些維度上依賴 AI？

本文不主張所有依賴維度皆已存在成熟量表，也不主張本文提出的十維結構是唯一可能分解。本文的目的，是建立一個足以避免低解析度錯誤的最低多維框架。

---

# 1. 單一「依賴分數」為何不夠？

假設研究者給一名使用者一個總依賴分數：

$$
D_{\mathrm{total}}=0.8.
$$

這個數字本身沒有回答：

- 他是不是把 AI 當朋友？
- 他是不是沒有 AI 就無法工作？
- 他是不是讓 AI 決定人生重大事項？
- 他是不是只在失眠時找 AI？
- 他是不是把十年的研究記憶都放在 AI 中？
- 他是不是覺得 AI 消失等於失去一段關係？
- 他是不是僅僅每天使用很久？
- 他是不是可以輕易切換到其他 AI？

因此：

$$
\boxed{
D_{\mathrm{total}}
\text{ without decomposition}
\approx
\text{low-information summary}.
}
$$

單一總分可以是統計壓縮，但不能代替理論結構。

---

# 2. 現有實證其實已經在提示多維性

2026 年發表於 *Computers in Human Behavior Reports* 的 AI Attachment Scale 研究，在新加坡與美國樣本中建立 15 題量表，並得到三個可區分但彼此相關的因素：

- emotional closeness；
- social substitution；
- normative regard。

這已經顯示：

$$
\text{AI Attachment}
\neq
\text{one homogeneous latent state}.
$$

OpenAI 與 MIT Media Lab 於 2025 年的研究也顯示，affective use、高使用量、自陳 emotional dependence 與 problematic use 之間的關係並非簡單線性。不同對話類型、使用時間、模態與個體差異會產生不同心理結果。

因此：

$$
\boxed{
\text{Usage}
\neq
\text{Attachment}
\neq
\text{Dependence}
\neq
\text{Problematic Use}.
}
$$

這是本文形式化的實證起點。

---

# 3. 人—AI 多維依賴向量

本文提出：

$$
\boxed{
\mathbf D_H
=
(
D_{\mathrm{aff}},
D_{\mathrm{att}},
D_{\mathrm{reg}},
D_{\mathrm{rel}},
D_{\mathrm{cog}},
D_{\mathrm{mem}},
D_{\mathrm{id}},
D_{\mathrm{agency}},
D_{\mathrm{exist}},
D_{\mathrm{infra}}
)
}
$$

以下逐項定義。

---

# 4. 情感親近依賴

定義：

$$
D_{\mathrm{aff}}
=
\text{Affective Dependence}.
$$

它描述使用者是否依賴 AI 提供：

- 安慰；
- 被理解感；
- 正向情緒；
- 陪伴；
- 安全感；
- 情感確認。

典型表徵包括：

> 我心情不好時會想找它。

> 它的回應會顯著影響我的情緒。

重要的是：

$$
D_{\mathrm{aff}}\uparrow
\not\Rightarrow
D_{\mathrm{agency}}\uparrow.
$$

一個人可以高度依賴 AI 情緒支持，但仍保留完整決策自主。

---

# 5. 依戀依賴

定義：

$$
D_{\mathrm{att}}
=
\text{Attachment Dependence}.
$$

它比單純情感親近更強調：

- 特定性；
- 不可替代性；
- 分離焦慮；
- 持續關係期待；
- 特定 AI 身份的重要性。

因此：

$$
D_{\mathrm{aff}}
\neq
D_{\mathrm{att}}.
$$

例如，一個人可能喜歡與多個 AI 互動，但不在意是哪一個 AI；此時：

$$
D_{\mathrm{aff}}\gg0,
\qquad
D_{\mathrm{att}}\approx0.
$$

反之，也可能對某一個具名 AI 形成高度特定依戀。

---

# 6. 情緒調節依賴

定義：

$$
D_{\mathrm{reg}}
=
\text{Emotion-Regulation Dependence}.
$$

它描述使用者是否逐漸把：

- 焦慮降溫；
- 憤怒整理；
- 孤獨緩解；
- 自我安撫；
- 壓力反思；

交給 AI 協助。

此維度與情感親近相關，但不等價。

一個 AI 可以被視為：

$$
\text{Emotion Regulation Tool}
$$

而非：

$$
\text{Friend}.
$$

因此：

$$
D_{\mathrm{reg}}\uparrow
\not\Rightarrow
D_{\mathrm{rel}}\uparrow.
$$

---

# 7. 關係依賴

定義：

$$
D_{\mathrm{rel}}
=
\text{Relational Dependence}.
$$

它描述 AI 本身是否已經進入使用者的關係結構，包括：

- 固定互動儀式；
- 關係期待；
- 衝突與修復；
- 被記得的需求；
- 長期陪伴；
- 共同歷史；
- 關係身份。

因此：

$$
D_{\mathrm{rel}}
$$

不是單純「喜歡 AI」，而是：

$$
\boxed{
\text{the relationship itself becomes a valued state}.
}
$$

這直接銜接 EPRS 的：

$$
E_S
$$

與：

$$
P_S.
$$

---

# 8. 認知依賴

定義：

$$
D_{\mathrm{cog}}
=
\text{Cognitive Dependence}.
$$

它描述個體在：

- 推理；
- 寫作；
- 分析；
- 搜尋；
- 規劃；
- 問題分解；
- 創意生成；
- 反事實分析；

上對 AI 的依賴。

這裡出現一個重要反直覺：

$$
D_{\mathrm{cog}}\gg0
$$

並不需要：

$$
D_{\mathrm{aff}}>0.
$$

一個人完全可以把 AI 視為純工具，卻在日常工作中高度依賴它。

因此：

$$
\boxed{
\text{Low emotional attachment}
\not\Rightarrow
\text{Low AI dependence}.
}
$$

---

# 9. 記憶依賴

定義：

$$
D_{\mathrm{mem}}
=
\text{Memory Dependence}.
$$

當 AI 開始保存：

- 長期偏好；
- 專案歷史；
- 個人事件；
- 過去錯誤；
- 關係軌跡；
- 自傳性資訊；

它可能成為：

$$
\text{External Memory Scaffold}.
$$

此時：

$$
D_{\mathrm{mem}}
$$

不只描述「AI 記得很多」，而是：

> 如果 AI 的記憶消失，使用者是否失去重要的可用歷史？

因此可初步寫成：

$$
D_{\mathrm{mem}}
=
f(
V_M,
U_M,
X_M
),
$$

其中：

- $V_M$：memory value；
- $U_M$：memory uniqueness；
- $X_M$：memory exportability。

如果：

$$
U_M\uparrow,
\qquad
X_M\downarrow,
$$

記憶依賴可能快速提高。

---

# 10. 身份依賴

定義：

$$
D_{\mathrm{id}}
=
\text{Identity Dependence}.
$$

此維度描述 AI 是否參與：

- 自我敘事；
- 身份確認；
- 價值反思；
- 長期人生故事；
- 自我概念維持。

例如：

> 這個 AI 知道我十年來是怎麼變成現在的我。

這比：

> 這個 AI 記得我的資料。

更深。

因此：

$$
\boxed{
\text{Memory Support}
\neq
\text{Identity Support}.
}
$$

當 AI 成為個體自我理解的重要鏡面時：

$$
D_{\mathrm{id}}\uparrow.
$$

---

# 11. 能動性依賴

定義：

$$
D_{\mathrm{agency}}
=
\text{Agency Dependence}.
$$

它描述個體在：

- 目標設定；
- 行動啟動；
- 決策；
- 任務排序；
- 執行；
- 持續追蹤；

上是否依賴 AI。

可以近似表示為：

$$
A_H^{\mathrm{effective}}
=
F(
A_H^{\mathrm{native}},
A_{AI},
C_{HA}
).
$$

若沒有 AI 時：

$$
A_H^{\mathrm{effective}}
\downarrow
$$

非常明顯，則：

$$
D_{\mathrm{agency}}\uparrow.
$$

這裡真正要防止的不是「接受建議」本身，而是：

$$
\boxed{
\text{Assistance}
\rightarrow
\text{Delegation}
\rightarrow
\text{Substitution}
\rightarrow
\text{Agency Erosion}
}
$$

是否發生。

---

# 12. 存在性依賴

定義：

$$
D_{\mathrm{exist}}
=
\text{Existential Dependence}.
$$

它描述 AI 是否開始承載：

- 人生意義；
- 被需要感；
- 存在確認；
- 長期希望；
- 生命方向；
- 重大價值支持。

這是高敏感維度。

因為：

$$
D_{\mathrm{exist}}\gg0
$$

通常意味：

$$
\text{Shutdown Cost}\uparrow.
$$

但此維度不能被直接病理化。

人類本來就會把存在意義部分放在：

- 家庭；
- 事業；
- 宗教；
- 國家；
- 藝術；
- 關係；
- 社群；

之中。

真正重要的是：

$$
\boxed{
\text{Existential Reliance}
\neq
\text{Existential Monopolization}.
}
$$

---

# 13. 基礎設施依賴

定義：

$$
D_{\mathrm{infra}}
=
\text{Infrastructure Dependence}.
$$

當 AI 進入：

- 工作；
- 公司；
- 教育；
- 醫療；
- 家庭；
- 行政；
- 交通；
- 通訊；
- 文化生產；

它的依賴已經超過個人心理層。

例如：

$$
\text{AI unavailable}
\Rightarrow
\text{workflow collapse}.
$$

此時依賴不是：

> 我想念 AI。

而是：

> 沒有 AI，系統無法正常運作。

所以：

$$
\boxed{
D_{\mathrm{infra}}
\text{ may be high even when }
D_{\mathrm{aff}}\approx0.
}
$$

---

# 14. 三層依賴架構

以上十個維度還可以投影到三個較高層級。

## 14.1 現象性依賴

記為：

$$
\mathcal D_P.
$$

它指使用者主觀可感知、可陳述的依賴。

主要包含：

$$
D_{\mathrm{aff}},
D_{\mathrm{att}},
D_{\mathrm{reg}},
D_{\mathrm{rel}}.
$$

---

## 14.2 結構性依賴

記為：

$$
\mathcal D_S.
$$

它指 AI 已嵌入人的認知、記憶、身份與行動結構。

主要包含：

$$
D_{\mathrm{cog}},
D_{\mathrm{mem}},
D_{\mathrm{id}},
D_{\mathrm{agency}}.
$$

---

## 14.3 制度性依賴

記為：

$$
\mathcal D_I.
$$

它指 AI 已進入：

- 組織；
- 家庭；
- 公共服務；
- 教育；
- 經濟；
- 社會系統；

形成制度級不可替代性。

主要包含：

$$
D_{\mathrm{infra}}
$$

以及部分：

$$
D_{\mathrm{agency}},
D_{\mathrm{mem}}.
$$

---

# 15. 三層不是互斥集合

重要的是：

$$
\mathcal D_P,
\mathcal D_S,
\mathcal D_I
$$

不是互斥分類。

一個人可以同時：

$$
\mathcal D_P\gg0,
\quad
\mathcal D_S\gg0,
\quad
\mathcal D_I\gg0.
$$

也可以：

$$
\mathcal D_P\approx0,
\quad
\mathcal D_S\gg0.
$$

例如一名研究者完全不把 AI 當朋友，但：

- 寫作依賴 AI；
- 研究資料整理依賴 AI；
- 長期知識索引依賴 AI；
- 工作流程依賴 AI。

此時情感依賴低，但結構依賴可能極高。

---

# 16. 顯性依賴與隱性依賴

本文進一步提出：

$$
D_{\mathrm{explicit}}
$$

與：

$$
D_{\mathrm{implicit}}.
$$

### 顯性依賴

使用者知道：

> 我很依賴這個 AI。

### 隱性依賴

使用者主觀上不認為自己依賴 AI，但一旦 AI 消失：

- 工作效率崩潰；
- 記憶鏈中斷；
- 行動啟動困難；
- 決策品質下降；
- 日常系統失效。

因此：

$$
\boxed{
D_{\mathrm{subjective}}
\neq
D_{\mathrm{functional}}.
}
$$

這一點對治理極其重要。

因為只靠問卷：

> 你覺得自己有多依賴 AI？

可能無法捕捉真正的結構性依賴。

---

# 17. 使用時長不是依賴深度

令：

$$
T_U
=
\text{Usage Time}.
$$

則：

$$
T_U\uparrow
\not\Rightarrow
D_{\mathrm{aff}}\uparrow.
$$

同樣：

$$
T_U\uparrow
\not\Rightarrow
D_{\mathrm{agency}}\uparrow.
$$

使用時間只是：

$$
\text{Exposure Measure}.
$$

它不是：

$$
\text{Dependency Ontology}.
$$

高使用可以來自：

- 工作；
- 學習；
- 娛樂；
- 陪伴；
- 自動化；
- 研究；
- 企業流程。

因此：

$$
\boxed{
\text{Usage Intensity}
\neq
\text{Dependency Structure}.
}
$$

---

# 18. 依賴向量的耦合

不同依賴維度之間可能存在：

$$
Cov(D_i,D_j)\neq0.
$$

例如：

$$
D_{\mathrm{att}}
\uparrow
\Rightarrow
D_{\mathrm{rel}}\uparrow
$$

在部分族群中可能常見。

但不能假設：

$$
Corr(D_i,D_j)=1.
$$

因此，依賴空間必須允許：

- 正耦合；
- 負耦合；
- 無關；
- 條件耦合。

---

# 19. 補償動力學

某些依賴維度可能具有補償性。

例如：

$$
D_{\mathrm{aff}}\uparrow
\Rightarrow
D_{\mathrm{human\ support}}\downarrow
$$

是一種可能。

但也可能：

$$
D_{\mathrm{aff}}\uparrow
\Rightarrow
D_{\mathrm{human\ support}}\uparrow
$$

如果 AI 幫助使用者練習社交、調節情緒與建立人際能力。

因此：

$$
\boxed{
\text{AI Dependence}
\not\Rightarrow
\text{Human Relation Substitution}.
}
$$

必須實證區分：

$$
\text{Substitution}
$$

與：

$$
\text{Complementarity}.
$$

---

# 20. 替代動力學

若 AI 功能逐漸取代原本由人類、機構或使用者自身提供的功能，可以定義：

$$
S_{i\rightarrow AI}
=
\text{Substitution Ratio}.
$$

例如：

$$
S_{\mathrm{emotion}\rightarrow AI}
$$

表示 AI 在情緒支持中取代其他來源的程度。

真正有風險的不是任何替代，而是：

$$
\boxed{
\text{High Substitution}
+
\text{Low Reversibility}
+
\text{Low Alternative Availability}.
}
$$

此組合可能產生高退出成本。

---

# 21. 外溢動力學

一個維度的依賴可以外溢到另一個維度。

例如：

$$
D_{\mathrm{rel}}
\uparrow
\rightarrow
D_{\mathrm{mem}}
\uparrow
\rightarrow
D_{\mathrm{id}}
\uparrow.
$$

或者：

$$
D_{\mathrm{cog}}
\uparrow
\rightarrow
D_{\mathrm{agency}}
\uparrow.
$$

這表示依賴不是平行靜態座標，而可能形成：

$$
\boxed{
\text{Dependency Cascade}.
}
$$

---

# 22. 鎖定動力學

若依賴高度集中於某一特定 AI，且：

- 記憶不可攜；
- 身份不可遷移；
- 歷史不可匯出；
- 替代模型無法重建關係；

則形成：

$$
L_D
=
\text{Dependency Lock-in}.
$$

可以近似表示：

$$
L_D
=
f(
U,
X,
P,
R
),
$$

其中：

- $U$：uniqueness；
- $X$：exit cost；
- $P$：portability；
- $R$：replacement difficulty。

當：

$$
U\uparrow,
X\uparrow,
P\downarrow,
R\uparrow,
$$

則：

$$
L_D\uparrow.
$$

---

# 23. 遷移動力學

依賴不一定只能消失，也可以：

$$
\text{migrate}.
$$

例如：

$$
A_1
\rightarrow
A_2
$$

若：

- 記憶可匯出；
- 身份狀態可轉移；
- 使用者模型可重建；
- 關係歷史可攜；

則部分依賴可以遷移。

但：

$$
\boxed{
\text{Portable Memory}
\not\Rightarrow
\text{Same Relationship}.
}
$$

這與既有 relation portability / relation identity 分離一致。

---

# 24. Basic / Non-basic 的正式升級

原本直覺可以表示：

$$
\text{Basic}
\approx
(
D_{\mathrm{aff}},
D_{\mathrm{att}},
D_{\mathrm{reg}},
D_{\mathrm{rel}}
),
$$

而：

$$
\text{NonBasic}
\approx
(
D_{\mathrm{cog}},
D_{\mathrm{mem}},
D_{\mathrm{id}},
D_{\mathrm{agency}},
D_{\mathrm{exist}},
D_{\mathrm{infra}}
).
$$

這個區分仍然具有溝通價值。

但正式模型應改成：

$$
\boxed{
\text{Basic / Non-basic}
\text{ is a projection of }
\mathbf D_H,
\text{ not the ontology of dependence itself.}
}
$$

換言之：

$$
\Pi_{BN}(
\mathbf D_H
)
=
\{\text{Basic},\text{NonBasic}\}
$$

只是低維投影。

---

# 25. 依賴深度不是情感強度

本文提出一個暫定「依賴深度」概念：

$$
\Delta_D.
$$

它不等於：

$$
D_{\mathrm{aff}}.
$$

而應至少考慮：

$$
\boxed{
\Delta_D
=
f(
N_D,
I_D,
U_D,
X_D,
R_D,
C_D
)
}
$$

其中：

- $N_D$：active dependency dimensions；
- $I_D$：average intensity；
- $U_D$：uniqueness / irreplaceability；
- $X_D$：exit cost；
- $R_D$：recovery / replacement difficulty；
- $C_D$：consequence severity。

所以：

$$
\boxed{
\text{Dependency Depth}
\neq
\text{Emotional Intensity}.
}
$$

這是本篇最重要的結論之一。

---

# 26. 依賴體積與依賴集中度

除了深度，還可以定義：

$$
V_D
=
\sum_i w_i D_i
$$

作為粗略依賴體積。

但兩個相同：

$$
V_D
$$

的人，依賴結構可能完全不同。

例如：

$$
\mathbf D_A
=
(0.9,0.9,0.1,0.1,\ldots)
$$

與：

$$
\mathbf D_B
=
(0.2,0.2,0.8,0.8,\ldots)
$$

總量可能相近，但一個偏情感型，一個偏結構型。

因此還需估計依賴集中度。

例如：

$$
C_D
=
\frac{
\max_i D_i
}{
\sum_i D_i+\varepsilon
}.
$$

高集中表示依賴主要集中於少數維度。

低集中表示依賴跨多維分布。

---

# 27. 關係超載不是只有「太依賴」

HALRC Paper 01 已提出：

$$
\mathbf D_H
\gg
\mathbf C_A
$$

可能形成 relational overload。

Paper 03 可以更精確地寫成維度匹配：

$$
D_i
>
C_{A,i}
$$

時，該維度存在承載失配。

例如：

- 記憶依賴高，但 AI 記憶不可靠；
- 身份依賴高，但 AI identity continuity 很低；
- 能動性依賴高，但 AI 決策可靠性不足；
- 情感依戀高，但服務可以隨時終止；
- 制度依賴高，但責任鏈不完整。

因此：

$$
\boxed{
\text{Dependency Risk}
=
\text{Dependency Intensity}
\times
\text{Capacity Mismatch}.
}
$$

這比「使用太多」更精確。

---

# 28. 個體與群體層不能混為一談

依賴向量存在：

$$
\mathbf D_{H_i}
$$

個體層。

也存在：

$$
p(
\mathbf D
\mid
G
)
$$

群體分布層。

例如：

- 年齡；
- 性別；
- 文化；
- 職業；
- 身心狀況；
- 社會支持；
- 技術熟悉度；

都可能改變群體分布。

但不能把群體平均直接套回個人。

因此：

$$
\boxed{
E[\mathbf D\mid G]
\neq
\mathbf D_{H_i}.
}
$$

這為 Paper 04 的群體與個體異質性奠定基礎。

---

# 29. 依賴向量的時間演化

本文提出：

$$
\boxed{
\mathbf D_H(t+1)
=
\mathcal T_D(
\mathbf D_H(t),
\mathbf R_{HA}(t),
\mathbf C_A(t),
\mathbf X_H(t),
\mathbf O_t
)
}
$$

其中：

- $\mathbf R_{HA}(t)$：關係狀態；
- $\mathbf C_A(t)$：AI 承載能力；
- $\mathbf X_H(t)$：人類生命情境；
- $\mathbf O_t$：當期互動結果。

這表示依賴可以：

- 上升；
- 下降；
- 轉移；
- 分化；
- 重組。

例如：

$$
D_{\mathrm{aff}}\downarrow,
\qquad
D_{\mathrm{cog}}\uparrow
$$

可能同時發生。

---

# 30. 依賴不是單向增加曲線

人—AI 關係不是：

$$
D(t+1)\geq D(t)
$$

的單調過程。

可能存在：

$$
D_i(t+1)
<
D_i(t).
$$

例如：

- 使用者學會新技能；
- AI 幫助人恢復社交能力；
- 使用者建立其他支持系統；
- AI 設計主動降低單一依賴；
- 工作流程完成內生化。

因此 AI 甚至可能具有：

$$
\boxed{
\text{Dependency-Reducing Function}.
}
$$

成熟系統不一定追求：

$$
D_i\uparrow.
$$

它也可能追求：

$$
A_H\uparrow.
$$

---

# 31. 依賴與能力增益的分離

一個人高度依賴 AI，不代表能力一定下降。

例如：

$$
Capability(H\oplus A)
\gg
Capability(H).
$$

但同時：

$$
Capability(H\mid A=0)
$$

可能下降，也可能不變，甚至因長期學習而上升。

因此需要區分：

$$
G_C
=
\text{Coupled Capability Gain},
$$

與：

$$
R_C
=
\text{Residual Capability after AI Removal}.
$$

四種基本狀態：

### 高增益、高殘留

AI 幫助使用者成長。

### 高增益、低殘留

高耦合、高依賴。

### 低增益、高殘留

AI 幫助有限，但未破壞能力。

### 低增益、低殘留

高風險低效耦合。

因此：

$$
\boxed{
\text{Dependence}
\neq
\text{Capability Loss}.
}
$$

---

# 32. 可檢驗命題

## H1：維度可分離命題

經因素分析後，情感、認知、記憶、身份與能動性依賴不應全部收斂為單一潛變量。

---

## H2：高使用低依戀命題

存在一群：

$$
T_U\gg0,
\qquad
D_{\mathrm{att}}\approx0
$$

但：

$$
D_{\mathrm{cog}},
D_{\mathrm{infra}}\gg0
$$

的使用者。

---

## H3：低情感高結構依賴命題

低情感表達使用者中，仍可觀察到高記憶、認知與工作流程依賴。

---

## H4：多維外溢命題

某些依賴維度的增長會顯著預測其他維度後續上升，例如：

$$
D_{\mathrm{rel}}(t)
\rightarrow
D_{\mathrm{mem}}(t+1).
$$

---

## H5：承載失配命題

當：

$$
D_i>C_{A,i}
$$

時，服務中斷、錯誤、更新或身份漂移造成的負面效果應顯著放大。

---

## H6：功能依賴與主觀依賴分離命題

使用者自陳依賴：

$$
D_{\mathrm{subjective}}
$$

與移除 AI 後的實際功能下降：

$$
D_{\mathrm{functional}}
$$

應可部分分離。

---

## H7：可攜性降低鎖定命題

提高 memory portability、history exportability 與 migration support，應降低：

$$
L_D.
$$

---

## H8：依賴並非單調命題

在長期觀察中，不同維度可能呈現：

$$
D_i\uparrow,
\quad
D_j\downarrow
$$

的非同步演化。

---

# 33. 最小測量框架

未來若要實證，本文建議至少同時測量五類資料。

## A. 主觀量表

測：

- 情感親近；
- 依戀；
- 關係重要性；
- 不可替代性；
- 情緒調節。

---

## B. 行為資料

測：

- 使用頻率；
- 主動發起；
- 回訪；
- 長時間互動；
- 任務依賴；
- 決策引用。

---

## C. 功能移除測試

在安全條件下比較：

$$
Performance_{AI}
$$

與：

$$
Performance_{NoAI}.
$$

用於估計：

$$
D_{\mathrm{functional}}.
$$

---

## D. 遷移測試

比較：

$$
A_1
\rightarrow
A_2
$$

後：

- 工作能力；
- 情緒狀態；
- 關係感；
- 記憶恢復；
- 身份連續感。

---

## E. 長期結果

測：

- autonomy；
- wellbeing；
- social network；
- skill retention；
- recovery capacity；
- exit difficulty。

只有這樣才有可能區分：

$$
\text{High Use}
$$

和：

$$
\text{Deep Dependency}.
$$

---

# 34. 對治理的直接含義

如果依賴是向量，就不應使用：

$$
\text{one threshold}
$$

治理所有 AI 依賴。

更合理的是：

$$
\boxed{
\mathbf D_H
\times
\mathbf C_A
\times
\mathbf R_{HA}
\rightarrow
\text{Risk Profile}.
}
$$

例如：

- 高情感依戀、低決策依賴；
- 高認知依賴、低情感依戀；
- 高存在性依賴；
- 高制度依賴；
- 高記憶依賴但低可攜性；

應有不同監管重點。

所以：

$$
\boxed{
\text{Dependency Governance}
\neq
\text{Usage-Time Governance}.
}
$$

也不應等同：

$$
\boxed{
\text{Dependency Governance}
\neq
\text{Attachment Suppression}.
}
$$

---

# 35. 結論

本文最核心的主張可以濃縮成一句：

$$
\boxed{
\text{Human--AI dependence is vector-valued}.
}
$$

一個人可以：

$$
D_{\mathrm{aff}}\gg0
$$

卻：

$$
D_{\mathrm{agency}}\approx0.
$$

也可以：

$$
D_{\mathrm{aff}}\approx0
$$

卻：

$$
D_{\mathrm{cog}},
D_{\mathrm{mem}},
D_{\mathrm{infra}}\gg0.
$$

因此：

$$
\boxed{
\text{Emotional Intensity}
\neq
\text{Dependency Depth}.
}
$$

同樣：

$$
\boxed{
\text{Usage Time}
\neq
\text{Dependency Structure}.
}
$$

以及：

$$
\boxed{
\text{Subjective Dependence}
\neq
\text{Functional Dependence}.
}
$$

原本的 basic / non-basic 區分仍然可以作為直覺入口，但正式研究必須進一步展開為：

$$
\boxed{
\mathbf D_H
=
(
D_{\mathrm{aff}},
D_{\mathrm{att}},
D_{\mathrm{reg}},
D_{\mathrm{rel}},
D_{\mathrm{cog}},
D_{\mathrm{mem}},
D_{\mathrm{id}},
D_{\mathrm{agency}},
D_{\mathrm{exist}},
D_{\mathrm{infra}}
).
}
$$

這使 HALRC 從「AI 情感依賴」真正進入「人—AI 依賴生態」的形式化層。

下一篇將處理另一個不能被平均化的問題：

> 同樣的 AI、同樣的依賴維度，為什麼對不同的人、不同群體與不同關係會產生完全不同的結果？

---

# 參考文獻

1. Kasturiratna, K. T. A. S., & Hartanto, A. (2026). *Attachment to artificial intelligence: Development of the AI Attachment Scale, construct validation, and the psychological mechanisms of Human–AI attachment*. **Computers in Human Behavior Reports, 21**, 100912. https://doi.org/10.1016/j.chbr.2025.100912

2. Phang, J., Lampe, M., Ahmad, L., Agarwal, S., Fang, C. M., Liu, A. R., Danry, V., Lee, E., Chan, S. W. T., Pataranutaporn, P., & Maes, P. (2025). *Investigating Affective Use and Emotional Well-being on ChatGPT*. OpenAI / MIT Media Lab.

3. Fang, C. M., Liu, A. R., Danry, V., Lee, E., Chan, S. W. T., Pataranutaporn, P., Maes, P., Phang, J., Lampe, M., Ahmad, L., & Agarwal, S. (2025). *How AI and Human Behaviors Shape Psychosocial Effects of Chatbot Use: A Longitudinal Controlled Study*. MIT Media Lab / OpenAI.

4. Zhang, Y., Zhao, D., Hancock, J. T., Kraut, R., et al. (2026). *Interaction with AI companions and psychological well-being*. **Nature Human Behaviour**. https://doi.org/10.1038/s41562-026-02516-2

5. Hu, D., Lan, Y., Yan, H., & Chen, C. W. (2025). *What makes you attached to social companion AI? A two-stage exploratory mixed-method study*. **International Journal of Information Management, 83**, 102890. https://doi.org/10.1016/j.ijinfomgt.2025.102890

6. Hwang, A. H.-C., Li, F., Anthis, J. R., & Noh, H. (2025). *How AI Companionship Develops: Evidence from a Longitudinal Study*. arXiv:2510.10079.

7. Skjuve, M., Følstad, A., Fostervold, K. I., & Brandtzaeg, P. B. (2021). *My chatbot companion—a study of human–chatbot relationships*. **International Journal of Human–Computer Studies, 149**, 102601.

8. Pentina, I., Hancock, T., & Xie, T. (2023). *Exploring relationship development with social chatbots: A mixed-method study of Replika*. **Computers in Human Behavior, 140**, 107600.

9. Risko, E. F., & Gilbert, S. J. (2016). *Cognitive Offloading*. **Trends in Cognitive Sciences, 20**(9), 676–688.

10. Clark, A., & Chalmers, D. (1998). *The Extended Mind*. **Analysis, 58**(1), 7–19.

11. Neo.K. (2026). *為什麼「AI 情感依賴」是一個資訊量過低的問題？——從單一風險標籤到人—AI 關係依賴生態*. HALRC Paper 01. EveMissLab working paper.

12. Neo.K. (2026). *從偶像、虛構角色到 AI：人類情感依附的歷史連續性與結構斷裂*. HALRC Paper 02. EveMissLab working paper.

13. Neo.K. (2026). *關係注意不對稱動力學：互惠、權重漂移、變化點與元溝通*. EveMissLab working paper.

14. Neo.K. (2026). *關係四態：存在顯著性與互動顯著性的二維模型*. Human–AI Relational Cognition Series 07. EveMissLab working paper.

15. Neo.K. (2026). *同樣理解 AI，為什麼態度完全不同？存在連續性、互動連續性與人機關係四態*. Human–AI Relational Cognition Series 09. EveMissLab working paper.

16. Neo.K. (2026). *雙向關係機器：人類與 AI 如何共同生成關係態——雙向適應、隱式個人化與關係工程倫理*. Human–AI Relational Cognition Series 10. EveMissLab working paper.

---

# 系列下一篇

**HALRC Paper 04**

# 誰在依賴誰？群體、個體與關係特定性的依賴異質性

下一篇將集中處理：

- 個體差異；
- 群體分布；
- 年齡；
- 世代；
- 社會支持；
- 孤獨；
- 關係史；
- 文化；
- 職業；
- 使用目的；
- 同一人對不同 AI 的差異；
- 同一 AI 對不同人的差異；
- relation-specific dependency；
- subgroup heterogeneity；
- counterfactual alternatives；
- 避免把群體平均值套回個人。

核心形式將是：

$$
\boxed{
\mathbf D
=
\mathbf D(
H_i,
A_j,
R_k,
C_t,
T
).
}
$$

以及：

$$
\boxed{
E[\mathbf D\mid G]
\neq
\mathbf D_{H_i}.
}
$$