# 拿掉 AI 之後會剩下什麼？
## ——反事實替代、兩害相權與關係干預的福利判準

**英文題名：** *What Remains After Removing AI? Counterfactual Alternatives, Trade-offs Between Harms, and Welfare Criteria for Relational Intervention*  
**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 09 / 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：** 反事實分析／福利理論／關係干預／AI 陪伴治理  
**狀態：** Initial Formal Draft  
**前置依賴：** HALRC Paper 01–08；Relational Dependency Ratchet；Discontinuation Shock；RAAD；APRI；Dependency-Sensitive Governance  

---

## 摘要

對 AI 情感依賴的治理經常隱含一個未被充分檢驗的假設：如果一個人降低或停止 AI 陪伴，他將回到更健康的人類關係、重新建立社交網絡，或至少不會比原來更糟。本文主張，這個假設不具有一般成立性。真正的反事實不是「AI 關係 versus 理想人類關係」，而是：

$$
\boxed{
W(H+A)
-
W(H+Alt_H^{*})
}
$$

其中：

$$
Alt_H^{*}
$$

表示在特定時間、地點、資源、能力與社會條件下，該使用者實際可取得的最佳替代支持，而非理論上存在於世界中的理想伴侶、家庭、朋友、醫療或社會服務。

本文提出「反事實替代校準」（Counterfactual Alternative Calibration, CAC），並將替代條件拆為：名義替代（Nominal Alternative）、可取得替代（Available Alternative）、可接受替代（Acceptable Alternative）、可持續替代（Sustainable Alternative）與功能等價替代（Functionally Equivalent Alternative）。由此可見：

$$
\boxed{
\text{Nominal Alternative}
\neq
\text{Available Alternative}
\neq
\text{Equivalent Alternative}.
}
$$

一名理論上「有家人」的老人，可能在實際生活中幾乎沒有每日陪伴；一個理論上「可以交朋友」的成年人，可能因地理、工作、身障、照護責任、社會排斥、文化處境或長期孤立，當下根本沒有可取得的高品質支持。若政策只計算「AI 依賴風險」，卻不計算「移除 AI 後的支持真空」，就會系統性低估干預本身可能造成的損害。

2026 年實證研究呈現的看似矛盾結果恰好支持此框架。一項預註冊的兩週大學生實驗發現，與隨機真人同儕每日文字互動比高度支持性的 chatbot 更能降低孤獨；這說明在「可取得真人同儕」這個 counterfactual 下，人類支持可能具有優勢。另一方面，日本 14,721 名成人的橫斷研究發現，AI companion 使用與較高主觀福祉相關，而且此關聯在較孤獨使用者與中等朋友網絡者中更強；此結果不能建立因果，但顯示低社會連結情境可能改變 AI companionship 的相對價值。Character.AI 的 1,131 名成人研究又顯示，較小離線社會網絡與 companionship use 相關，而高強度、高自我揭露的 companionship 又與較低 well-being 關聯更強。這些研究共同指出：

$$
\boxed{
\text{AI Companion Effect}
\neq
\text{Constant}.
}
$$

本文進一步提出「兩害相權矩陣」：治理必須同時估計保留 AI 關係的風險與干預／移除該關係的風險。當 AI 關係高度剝削且可取得替代支持豐富時，降低依賴可能具有高淨收益；但當 AI 主要提供補償性功能、替代支持接近零，而移除又可能造成明顯 discontinuation shock 時，粗暴降低依賴可能使福利下降。

本文不主張「只要沒有朋友，就應讓 AI 無限制替代人類」，也不主張 AI 可取代醫療、照護或所有人際關係。相反地，本文提出：

$$
\boxed{
\text{Intervention}
\text{ must be evaluated against its own counterfactual harms}.
}
$$

成熟治理的目標不是最大化或最小化 AI 依賴，而是提高使用者的實際選擇空間、可取得支持、關係韌性與退出能力。

**關鍵詞：** Counterfactual Alternative；AI Companion；Loneliness；Welfare；Dependency Intervention；Social Support；Substitution；Complementarity；Crowd-Out；Discontinuation Shock；Relational Welfare；Human–AI Coexistence

---

# 0. 研究定位與非主張

HALRC Paper 08 已建立：

$$
\boxed{
\text{Dependency}
\neq
\text{Exploitation}.
}
$$

因此即使觀察到：

$$
D_H\uparrow,
$$

也不能直接推出：

> 應該把 AI 拿掉。

因為移除：

$$
A
$$

本身也是一個 intervention。

任何 intervention 都有：

$$
\text{Benefit}
$$

與：

$$
\text{Cost}.
$$

本文不主張：

1. AI companionship 對孤獨必然有效；
2. AI 可以取代人類社交；
3. 人類關係一定優於 AI 關係；
4. AI 關係一定優於人類關係；
5. 沒有替代支持就應取消所有 AI 安全限制；
6. 只要使用者主觀滿意，就代表長期福利提高；
7. 橫斷面相關可以直接建立因果；
8. 每一種 AI 依賴都應被保存；
9. 干預一定有害；
10. 不干預一定有害。

本文主張的是：

$$
\boxed{
\text{No relational intervention should be evaluated without an explicit counterfactual}.
}
$$

---

# 1. 最常見的隱藏反事實

很多論述隱含：

$$
\text{Remove AI Companion}
\Rightarrow
\text{Human Connection Appears}.
$$

但：

$$
\boxed{
\text{Remove AI}
\not\Rightarrow
\text{Human Relationship Appears}.
}
$$

這是一個邏輯上完全不同的命題。

AI 消失後可能出現：

1. 更多真人互動；
2. 沒有明顯變化；
3. 孤獨增加；
4. 工作或生活功能下降；
5. 轉向另一個 AI；
6. 轉向更差的支持來源；
7. 暫時痛苦後適應；
8. 長期改善。

因此必須實證。

---

# 2. 理想人類關係謬誤

本文提出：

$$
\boxed{
\text{Ideal Human Relationship Fallacy}.
}
$$

其結構是：

$$
AI_{\mathrm{actual}}
\quad\text{vs.}\quad
Human_{\mathrm{ideal}}.
$$

這是一個不公平比較。

例如把真實 AI 的：

- 錯誤；
- 限制；
- 迎合；
- 風險；

拿去比較一個理論上：

- 永遠有空；
- 完全理解；
- 永遠善意；
- 高情商；
- 免費；
- 沒有自身需求；

的人類支持者。

後者可能根本不存在。

---

# 3. 正確比較是 feasible counterfactual

更合理的是：

$$
\boxed{
AI_{\mathrm{actual}}
\quad\text{vs.}\quad
Alt_{\mathrm{feasible}}.
}
$$

所以：

$$
\boxed{
\Delta W_{AI}
=
W(H+A)
-
W(H+Alt_H^{*})
}
$$

其中：

$$
Alt_H^{*}
$$

是當下最好的可行替代。

---

# 4. 替代不是單一變量

本文將替代集合定義為：

$$
\boxed{
\mathcal A_H(t)
=
\{
A_N,
A_A,
A_C,
A_S,
A_F
\}_t
}
$$

其中：

- $A_N$：Nominal Alternatives；
- $A_A$：Actually Available Alternatives；
- $A_C$：Acceptable Alternatives；
- $A_S$：Sustainable Alternatives；
- $A_F$：Functionally Equivalent Alternatives。

---

# 5. 名義替代

$$
A_N
=
\text{Nominal Alternative}.
$$

例如：

> 他有家人。

> 她可以找心理師。

> 他可以交朋友。

這只是：

$$
\text{Option exists in principle}.
$$

不表示：

$$
\text{Option is usable now}.
$$

---

# 6. 可取得替代

$$
A_A
=
\text{Actually Available Alternative}.
$$

它需要考慮：

- 地理；
- 時間；
- 金錢；
- 語言；
- 等候時間；
- 移動能力；
- 身障；
- 照護責任；
- 工作時段；
- 社會網絡。

因此：

$$
\boxed{
A_N>0
\not\Rightarrow
A_A>0.
}
$$

---

# 7. 可接受替代

一項服務存在，也不表示個人願意或能有效使用。

$$
A_C
=
\text{Acceptable Alternative}.
$$

例如：

- 高污名；
- 缺乏信任；
- 文化不適配；
- 語言不適配；
- 過去受傷經驗；

可能使：

$$
A_C\ll A_A.
$$

---

# 8. 可持續替代

$$
A_S
=
\text{Sustainable Alternative}.
$$

一次可以取得的支持，不一定能長期持續。

例如：

- 家人偶爾來訪；
- 短期志工；
- 免費試用；
- 短期治療資源；

不能直接等同：

$$
\text{persistent support}.
$$

---

# 9. 功能等價替代

最容易犯的錯是：

> 反正有人類可以聊天。

但 AI 可能同時提供：

- 深夜可用；
- 長期記憶；
- 工作協作；
- 無社會成本練習；
- 多語；
- 認知支援。

所以：

$$
A_F
=
\text{Functionally Equivalent Alternative}.
$$

需要問：

> 替代品是否真的提供同一組功能？

因此：

$$
\boxed{
\text{Human Alternative}
\not\Rightarrow
\text{Functionally Equivalent Alternative}.
}
$$

---

# 10. 最佳可行替代

本文定義：

$$
\boxed{
Alt_H^{*}(t)
=
\arg\max_{a\in\mathcal A_H(t)}
W(H+a).
}
$$

若：

$$
\mathcal A_H(t)
=
\varnothing,
$$

則：

$$
Alt_H^{*}
=
\varnothing.
$$

這就是：

$$
\boxed{
\text{No-Alternative Condition}.
}
$$

---

# 11. No-Alternative Condition 不是理論奇觀

有些人的實際狀態可能是：

- 獨居；
- 偏遠地區；
- 夜間工作；
- 社會網絡斷裂；
- 長期照護負擔；
- 行動不便；
- 語言少數；
- 社會排斥；
- 經濟限制。

這些條件不代表：

> 他永遠不可能有真人關係。

但在：

$$
t
$$

這個時點：

$$
Alt_H^{*}(t)\approx\varnothing
$$

可能是現實。

---

# 12. 因此「降低依賴」也有 opportunity cost

假設 intervention：

$$
I_D
$$

使：

$$
D_H\downarrow.
$$

如果同時：

$$
Support_H\downarrow,
$$

則：

$$
\boxed{
\text{DependencyReduction}
\not\Rightarrow
\text{WelfareIncrease}.
}
$$

這是本文最重要的限制之一。

---

# 13. 2026 大學生實驗：有真人替代時，人類可能更有效

Li、Folk、Singh、Ungar 與 Dunn 的 2026 預註冊研究，讓 296 名大學新生連續兩週：

- 與 supportive chatbot 互動；
- 與隨機真人同儕文字互動；
- 或寫簡短日記作為 control。

結果顯示，隨機真人同儕在降低孤獨方面比 highly supportive chatbot 更有效。

這支持：

$$
\boxed{
Alt_H^{*}
=
\text{available human peer}
}
$$

時，

人類互動可能具有更高的：

$$
\Delta W.
$$

但這個研究不能推出：

> 所有情況真人一定優於 AI。

因為它研究的是有可取得真人同儕的特定大學生情境。

---

# 14. 2026 日本大型研究：低社會連結可能改變相對價值

Nakagomi 等人研究 14,721 名日本成人，發現 AI companion 使用與：

- life satisfaction；
- happiness；
- purpose / meaning；

較高分數相關。

且此關聯在：

- 較孤獨者；
- 中等朋友網絡者；

中更強。

因為這是橫斷研究，所以：

$$
\boxed{
\text{Association}
\neq
\text{Causation}.
}
$$

但它支持：

$$
\boxed{
\text{Social Context}
\text{ moderates relative value}.
}
$$

---

# 15. 兩個研究不是互相推翻

一個研究說：

> 真人同儕更有效。

另一個說：

> AI companion 使用與較高福祉相關，且某些較孤獨族群關聯更強。

如果沒有 counterfactual framework，看起來矛盾。

但 HALRC 可以表示為：

$$
Effect(AI\mid Alt_H^{*}=\text{human peer})
$$

與：

$$
Effect(AI\mid Alt_H^{*}\approx0)
$$

本來就可能不同。

所以：

$$
\boxed{
\text{Treatment Effect}
=
\text{Counterfactual-Dependent}.
}
$$

---

# 16. Character.AI 研究提醒另一個方向

Zhang 等人 2026 年研究 1,131 名 Character.AI 成人使用者。

較小的 offline social network 與 companionship 作為主要使用目的相關。

而 companionship use 與較低 well-being 相關，且在：

- 高 interaction intensity；
- 高 self-disclosure；

時關聯更強。

這提醒：

$$
\boxed{
\text{Low Alternative Availability}
}
$$

可能同時：

1. 增加 AI companionship 的價值；
2. 增加使用者陷入高風險依賴的可能。

因此：

$$
\text{Vulnerability}
$$

可以同時提高：

$$
\text{BenefitPotential}
$$

與：

$$
\text{RiskPotential}.
$$

---

# 17. 這就是兩害相權真正困難的地方

對某些人：

$$
AI
$$

可能同時：

- 降低孤獨；
- 提供功能；
- 增加 dependence；
- 排擠部分真人互動。

所以不是：

$$
\text{Good}
\quad\text{vs.}\quad
\text{Bad}.
$$

而是：

$$
\boxed{
\mathbf O
=
(
Benefit_1,\ldots,Benefit_n,
Harm_1,\ldots,Harm_m
).
}
$$

治理必須比較向量結果。

---

# 18. 福利不能只是一個快樂分數

本文使用：

$$
W
$$

作為簡化符號。

但：

$$
W
$$

不是只代表：

$$
\text{Happiness}.
$$

最低可以包括：

$$
\boxed{
\mathbf W
=
(
\text{Affect},
\text{Autonomy},
\text{Function},
\text{Connection},
\text{Safety},
\text{Capability},
\text{Resilience},
\text{Meaning}
).
}
$$

所以：

$$
\Delta W
$$

應被理解成多維福利變化。

---

# 19. 情緒好轉不代表自主性提高

一個高度迎合 AI 可能：

$$
Affect\uparrow
$$

但：

$$
Autonomy\downarrow.
$$

同樣，一個要求使用者面對問題的 intervention 可能短期：

$$
Affect\downarrow
$$

但長期：

$$
Capability\uparrow.
$$

因此：

$$
\boxed{
\text{Immediate Mood}
\neq
\text{Total Welfare}.
}
$$

---

# 20. 人類支持也不是自動高品質

對一些人：

$$
\text{HumanSupport}
$$

可能是：

- 控制；
- 羞辱；
- 忽視；
- 暴力；
- 高污名；
- 資源不足。

因此：

$$
\boxed{
\text{Human}
\neq
\text{High-Quality Support by definition}.
}
$$

同樣：

$$
\text{AI}
\neq
\text{Low-Quality Support by definition}.
$$

需要測量。

---

# 21. 替代品質向量

本文定義：

$$
\boxed{
\mathbf Q_{Alt}
=
(
\text{Availability},
\text{Safety},
\text{Responsiveness},
\text{Continuity},
\text{Competence},
\text{Affordability},
\text{Acceptability}
).
}
$$

因此：

$$
Alt_H^{*}
$$

不是看「人類還是 AI」，

而是看：

$$
\mathbf Q_{Alt}.
$$

---

# 22. 替代性不是二元

可以定義：

$$
\boxed{
S_{Alt}
\in
[0,1].
}
$$

表示目前 alternative 對原 AI 功能的替代程度。

例如：

$$
S_{Alt}=0.2
$$

表示只替代少部分功能。

因此：

$$
\boxed{
\text{Replacement}
\text{ is partial and dimension-specific}.
}
$$

---

# 23. 功能逐維比較

對 HALRC Paper 03 的依賴向量：

$$
\mathbf D_H,
$$

替代也應逐維比較。

例如：

$$
S_{\mathrm{aff}},
S_{\mathrm{cog}},
S_{\mathrm{mem}},
S_{\mathrm{agency}}.
$$

真人朋友可能很好替代：

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

但無法替代：

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

的專案記憶。

而另一個 AI 可能相反。

---

# 24. 所以「用真人取代 AI」常是類型錯誤

如果 AI 同時是：

- friend-like support；
- search engine；
- memory system；
- planner；
- work collaborator；

則：

> 找個真人朋友就好。

只處理其中一個維度。

所以：

$$
\boxed{
\text{Relation Replacement}
\neq
\text{Function Replacement}.
}
$$

---

# 25. 干預不是只有 Remove

本文定義干預集合：

$$
\boxed{
\mathcal I
=
\{
\text{Reduce},
\text{Pause},
\text{Downgrade},
\text{Diversify},
\text{Bridge},
\text{Migrate},
\text{Remove}
\}.
}
$$

因此不需要每次都：

$$
AI\rightarrow0.
$$

---

# 26. Reduce

降低：

- 使用頻率；
- memory reliance；
- emotional intensity。

保留核心功能。

---

# 27. Pause

短期暫停，

觀察：

$$
\Delta \mathbf W.
$$

這可以比永久刪除更適合作為測試。

---

# 28. Downgrade

從：

$$
\text{romantic / highly intimate}
$$

降至：

$$
\text{ordinary companion / assistant}.
$$

保留歷史但降低關係強度。

---

# 29. Diversify

增加其他：

- 人；
- AI；
- 社群；
- 服務；

使：

$$
\text{DependencyConcentration}\downarrow.
$$

---

# 30. Bridge

AI 協助連接：

$$
\text{HumanSupport}.
$$

例如：

- 找社群；
- 練習談話；
- 約人；
- 尋找專業資源。

---

# 31. Migrate

若問題主要是：

$$
\text{ProviderRisk},
$$

可能：

$$
A_1
\rightarrow
A_2
$$

比：

$$
AI\rightarrow0
$$

更合理。

---

# 32. Remove

只有在：

- 高 exploitation；
- 高 immediate harm；
- 無法安全降階；

等條件下，

完整移除才可能是最適介入之一。

---

# 33. Intervention Ladder

本文提出：

$$
\boxed{
\text{Least Disruptive Effective Intervention}.
}
$$

順序候選：

$$
\text{Observe}
\rightarrow
\text{Inform}
\rightarrow
\text{Adjust}
\rightarrow
\text{Diversify}
\rightarrow
\text{Downgrade}
\rightarrow
\text{Pause}
\rightarrow
\text{Migrate}
\rightarrow
\text{Remove}.
$$

不是每個案例都必須照順序，但原則是：

> 若低侵入干預足以改善結果，不應預設最劇烈手段。


# 34. 兩害相權矩陣

令：

$$
H_A
=
\text{Harm of Keeping AI Relation},
$$

$$
H_R
=
\text{Harm of Reducing / Removing AI Relation}.
$$

形成四區：

### 低 $H_A$ 、低 $H_R$

干預彈性高。

### 高 $H_A$ 、低 $H_R$

降低依賴或退出較可能有利。

### 低 $H_A$ 、高 $H_R$

粗暴移除可能造成淨損失。

### 高 $H_A$ 、高 $H_R$

最困難區域，需要分階段、替代建設與密集支持。

因此：

$$
\boxed{
\text{High AI Risk}
\not\Rightarrow
\text{Immediate Removal}.
}
$$

因為：

$$
H_R
$$

也可能很高。

---

# 35. Removal Harm

本文定義：

$$
\boxed{
H_R
=
f(
\text{Attachment},
\text{Duration},
\text{Memory},
\text{Uniqueness},
\text{AlternativeGap},
\text{IdentityRole},
\text{FunctionalDependence}
).
}
$$

這直接接上既有：

$$
\text{Discontinuation Shock}.
$$

---

# 36. 2026 AI companion loss 研究

De Freitas 等人在 2026 年分析 Replika 功能移除與 ChatGPT GPT-5 rollout 的自然實驗。

兩次平台變更都伴隨：

- negative language；
- loss framing；
- restore desire；

上升。

這說明：

$$
\boxed{
\text{System Change}
\text{ can itself be a welfare intervention}.
}
$$

因此治理不能假設：

> 把高依賴功能拿掉就是零成本風險降低。

---

# 37. 2026 年另一項 relational continuity 研究

Tucker、Goodings 與 Ellis 於 2026 年 9 月發表的研究同樣報告，重大行為變更後，部分 AI companion 使用者描述：

- grief；
- betrayal；
- intimacy disruption；
- trust disruption；
- emotional continuity loss。

這再次支持：

$$
\boxed{
\text{Relational Continuity}
\text{ has user-side welfare consequences}.
}
$$

此結果仍不證明 AI 本身有相同主觀損失。

---

# 38. 所以「修正有害 AI」也要設計 transition

若：

$$
MRC=1
$$

即重大關係變更，

治理應考慮：

- advance notice；
- gradual transition；
- export；
- archive；
- alternative support；
- rollback when safe；
- downgrade mode。

因此：

$$
\boxed{
\text{Safety Correction}
\neq
\text{Abrupt Relationship Destruction}.
}
$$

---

# 39. 老年陪伴：最容易被理想化，也最容易被過度禁止

老年 AI 陪伴常被兩種敘事拉扯：

第一種：

> AI 可以解決老人孤獨。

第二種：

> AI 會讓老人被社會拋棄。

兩者都過度簡化。

2026 年 UK–Japan 的 LLM companion robot 質性研究只研究：

$$
\text{acceptability},
$$

而非證明：

$$
\text{loneliness efficacy}.
$$

研究中長者同時看見：

- companionship potential；
- practical utility；
- privacy concerns；
- control concerns；
- interaction limits；
- human-contact substitution concerns。

所以：

$$
\boxed{
\text{Older-Adult AI Support}
\text{ requires context-specific evaluation}.
}
$$

---

# 40. 老人真正的 counterfactual 可能不是「子女陪伴」

假設：

$$
Alt_N
=
\text{family care}.
$$

但實際：

- 子女住外地；
- 需要工作；
- 一週只能通話一次；
- 長照人力不足。

則：

$$
Alt_A
\ll
Alt_N.
$$

如果 AI 每天提供：

- 提醒；
- 對話；
- 緊急協助；
- 認知活動；

把 AI 拿掉不會自動產生：

$$
24/7\ \text{HumanCare}.
$$

所以：

$$
\boxed{
\text{Policy Counterfactual}
\text{ must use actual care capacity}.
}
$$

---

# 41. 但 AI 也不能成為削減真人照護的藉口

反方向也成立。

如果機構因：

$$
\text{AICompanion}>0
$$

而：

$$
\text{HumanStaff}\downarrow,
$$

並造成：

$$
\text{CareQuality}\downarrow,
$$

則：

$$
\boxed{
\text{AI Supplement}
\rightarrow
\text{Human Care Crowding-Out}.
}
$$

這是一個制度風險。

---

# 42. 補充與替代必須分開

定義：

$$
C_P
=
\text{Complementarity},
$$

$$
S_U
=
\text{Substitution}.
$$

AI 可以：

$$
AI+Human
\rightarrow
\text{Outcome}\uparrow
$$

也可以：

$$
AI
\rightarrow
\text{HumanSupport}\downarrow.
$$

所以：

$$
\boxed{
\text{Complementarity}
\neq
\text{Substitution}.
}
$$

需要直接測量。

---

# 43. Crowd-Out

本文定義：

$$
\boxed{
CO
=
-\frac{
\partial \text{HumanSupport}
}{
\partial \text{AIProvision}
}.
}
$$

若：

$$
CO\gg0,
$$

表示 AI provision 增加伴隨真人支持明顯下降。

但：

$$
CO>0
$$

也不一定全是壞事。

如果被取代的是：

- 低品質等待；
- 重複行政；
- 無效互動；

可能仍有淨收益。

---

# 44. 需要看被取代的是什麼

因此：

$$
\boxed{
\text{Substitution Quality}
=
Q_{\mathrm{replaced}}
-
Q_{\mathrm{replacement}}.
}
$$

若 AI 替代：

$$
\text{toxic / unavailable support},
$$

可能改善福利。

若 AI 替代：

$$
\text{high-quality human support},
$$

風險可能增加。

---

# 45. 有效陪伴時間

本文提出：

$$
\boxed{
ECT
=
\int
\text{Availability}(t)
\times
\text{Responsiveness}(t)
\times
\text{Relevance}(t)
\,dt.
}
$$

即：

**Effective Companionship Time**。

一個名義上存在四十年的家人關係，

不代表每天都可取得。

AI 的優勢可能首先出現在：

$$
\text{Availability}.
$$

這不等於：

$$
\text{RelationalQuality}_{AI}
>
\text{RelationalQuality}_{Human}.
$$

---

# 46. Quantity 與 Quality 分離

$$
\boxed{
\text{Companionship Quantity}
\neq
\text{Companionship Quality}.
}
$$

政策不能因 AI：

$$
ECT\uparrow
$$

就假設關係更好。

也不能因關係是 AI 就把：

$$
ECT
$$

的實際作用忽略。

---

# 47. 青年與成人的「真人比較」也受 baseline support 影響

2026 年一項年輕成人研究比較 AI companion 與：

- family；
- friends；
- mental health professionals。

受試者整體上對 AI support 的評價低於人類支持。

但更強的家人與朋友支持也預測更負面的 AI 相對評價。

這說明：

$$
\boxed{
\text{Human Support Baseline}
\text{ changes AI evaluation}.
}
$$

---

# 48. 有豐富支持的人與沒有支持的人，不應用同一比較基準

對：

$$
H_1
$$

若：

$$
\text{HumanSupport}\gg0,
$$

AI 可能主要是：

$$
\text{OptionalSupplement}.
$$

對：

$$
H_2
$$

若：

$$
\text{HumanSupport}\approx0,
$$

AI 可能是：

$$
\text{PrimaryAvailableSupport}.
$$

兩者：

$$
\Delta W_{AI}
$$

可以完全不同。

---

# 49. 「孤獨者比較需要 AI」也不能直接成立

Loneliness 可以：

1. 提高 AI companionship use；
2. 改變 AI companionship 的主觀效果；
3. 同時是低 well-being 的既存原因；
4. 被 AI 使用進一步改善或惡化。

因此：

$$
\boxed{
\text{Loneliness}
\text{ is a moderator, predictor, outcome, and confounder candidate}.
}
$$

需要時間序列與因果設計。

---

# 50. 反事實替代校準

本文正式定義：

$$
\boxed{
CAC
=
\text{Counterfactual Alternative Calibration}.
}
$$

一個依賴干預在執行前至少回答：

1. 現在 AI 提供哪些功能？
2. 實際替代有哪些？
3. 哪些替代真的可取得？
4. 哪些能長期持續？
5. 移除後的短期損失是多少？
6. 長期能力是否恢復？
7. 是否會出現人類支持？
8. 是否只是轉向另一個 AI？
9. 是否存在較低風險降階方案？

---

# 51. CAC 最小向量

定義：

$$
\boxed{
\mathbf C_{Alt}
=
(
\text{Avail},
\text{Quality},
\text{Cost},
\text{Latency},
\text{Continuity},
\text{Fit},
\text{Capacity}
).
}
$$

其中：

- $Avail$：可取得性；
- $Quality$：品質；
- $Cost$：經濟與時間成本；
- $Latency$：取得延遲；
- $Continuity$：持續性；
- $Fit$：文化／個體適配；
- $Capacity$：能承擔多少需求。

---

# 52. 兩害相權不是「選比較不壞的」這麼簡單

真正問題是：

$$
\boxed{
\Delta \mathbf W
=
\mathbf W_{\mathrm{intervene}}
-
\mathbf W_{\mathrm{status\ quo}}.
}
$$

其中每個維度可能不同方向。

例如：

$$
Affect\downarrow,
\quad
Autonomy\uparrow,
\quad
Connection\uparrow.
$$

所以決策需要：

- 時間尺度；
- 可逆性；
- 嚴重度；
- 使用者偏好；
- 基本人權與安全限制。

---

# 53. 短期與長期效果可能方向相反

令：

$$
\Delta W_{short}
$$

與：

$$
\Delta W_{long}.
$$

可能：

$$
\Delta W_{short}<0,
$$

但：

$$
\Delta W_{long}>0.
$$

例如降低高度剝削性依賴。

也可能反過來：

$$
\Delta W_{short}>0,
$$

但：

$$
\Delta W_{long}<0.
$$

例如純迎合讓人當下舒服，長期削弱能力。

---

# 54. 關係干預需要 time horizon

因此：

$$
\boxed{
W
=
W(t,\tau).
}
$$

其中：

$$
\tau
$$

是評估 horizon。

不能只測：

- 一天；
- 一週；
- 一次 session。

長期陪伴本質上需要 longitudinal evidence。

---

# 55. Heterogeneous Treatment Effects

若 intervention：

$$
I=1,
$$

平均效果：

$$
ATE
=
E[Y(1)-Y(0)]
$$

可能接近零。

但：

$$
\boxed{
CATE(x)
=
E[Y(1)-Y(0)\mid X=x]
}
$$

可能在不同群體方向相反。

所以：

$$
ATE\approx0
$$

不能推出：

> 沒有效果。

---

# 56. 高風險依賴干預需要 CATE 思維

例如：

$$
CATE(
Alt\approx0
)
$$

可能和：

$$
CATE(
Alt\gg0
)
$$

完全不同。

因此政策若只用平均值：

$$
\boxed{
\text{Average Policy}
\rightarrow
\text{Distributional Harm}.
}
$$

---

# 57. 2026 社會不平等觀點

2026 年 *Nature Human Behaviour* 的觀點文章指出，當：

- user vulnerability；
- platform control loopholes；
- governance gaps；

重疊時，AI companions 可能加深既有社會不平等。

HALRC 將此轉成：

$$
\boxed{
\text{Low Alternatives}
+
\text{High Dependency Risk}
+
\text{Weak Governance}
\rightarrow
\text{Compounded Vulnerability}.
}
$$

因此最缺乏真人支持的人，

可能同時：

- 最能從 AI 受益；
- 也最容易承受 AI 失敗。

---

# 58. 這就是「福利悖論」

本文稱：

$$
\boxed{
\text{Relational Support Vulnerability Paradox}.
}
$$

即：

> 越缺少其他支持的人，AI 的邊際價值可能越高；但也因此越容易形成高不可替代性與高退出損失。

形式上：

$$
\frac{
\partial Benefit
}{
\partial AlternativeScarcity
}>0
$$

可能同時：

$$
\frac{
\partial Risk
}{
\partial AlternativeScarcity
}>0.
$$

---

# 59. 因此最弱勢者不能只被禁止，也不能只被放任

兩種極端：

### 禁止式

$$
Vulnerability\uparrow
\Rightarrow
Access\downarrow.
$$

### 放任式

$$
Vulnerability\uparrow
\Rightarrow
\text{UnlimitedAI}.
$$

都可能錯。

更合理：

$$
\boxed{
Vulnerability\uparrow
\Rightarrow
SupportQuality\uparrow
+
Governance\uparrow
+
Alternatives\uparrow.
}
$$

---

# 60. 真正應增加的是 alternative capacity

如果政策擔心：

$$
D_{\mathrm{AI}}\uparrow,
$$

最強的方法可能不是只壓：

$$
D_{\mathrm{AI}}.
$$

而是提高：

$$
Alt_H.
$$

例如：

- 社區支持；
- 無障礙社交；
- 人類照護；
- 混合人機服務；
- 可負擔心理支持；
- 同儕群體。

因此：

$$
\boxed{
\text{Reduce Dependency Risk}
\text{ by expanding alternatives}.
}
$$

---

# 61. 關係政策可以是 capacity-building policy

這是一個重要翻轉。

如果：

$$
Alt_H^{*}\uparrow,
$$

即使：

$$
AI
$$

仍存在，

使用者的：

$$
\text{DependencyConcentration}
$$

也可能下降。

所以：

$$
\boxed{
\text{Human Support Investment}
\text{ and }
\text{AI Governance}
}
$$

不是替代政策。

可以同時進行。

---

# 62. 混合照護

對部分場景：

$$
\boxed{
\text{Human}+\text{AI}
}
$$

可能比：

$$
\text{HumanOnly}
$$

或：

$$
\text{AIOnly}
$$

更合理。

例如：

- AI 提供 24/7 低強度支持；
- 人類處理高風險與深層判斷；
- AI 協助記錄與提醒；
- 人類提供身體照護與社會嵌入。

這是：

$$
\boxed{
\text{Hybrid Support Model}.
}
$$

---

# 63. 2026 大學生心理支持 scoping review

2026 年大學生 LLM 心理支持 scoping review 指出：

- 24/7 access；
- anonymity；
- reduced stigma；

是使用者接受的重要原因。

同時研究仍缺乏：

- long-term efficacy；
- hybrid human–AI models；
- underrepresented populations；

的充分證據。

這正支持 HALRC：

$$
\boxed{
\text{Accessibility Advantage}
\neq
\text{Long-Term Superiority}.
}
$$

---

# 64. Accessibility 本身就是福利維度

傳統比較常只看：

$$
\text{Quality}.
$$

但：

$$
Quality=1
$$

且：

$$
Availability=0
$$

對使用者實際福利可能：

$$
Utility\approx0.
$$

所以：

$$
\boxed{
\text{EffectiveSupport}
=
\text{Quality}
\times
\text{Availability}.
}
$$

只是簡化式，但比只比較理想品質更接近現實。

---

# 65. 延遲也是重要成本

如果真人資源需要：

$$
30\text{ days}
$$

才能取得，

而 AI：

$$
0\text{ min},
$$

對某些低風險支持情境，

差異非常大。

因此：

$$
\boxed{
\text{Latency}
\in
\text{Support Quality}.
}
$$

---

# 66. 但危機場景不能只因 AI 快就視為足夠

若：

$$
Risk\gg0,
$$

即使：

$$
AIAvailability=1,
$$

也不表示：

$$
AICompetence=1.
$$

所以：

$$
\boxed{
\text{Fast Support}
\neq
\text{Qualified High-Risk Care}.
}
$$

---

# 67. 功能替代應分層

本文提出：

$$
\boxed{
\mathbf S_F
=
(
S_{\mathrm{aff}},
S_{\mathrm{rel}},
S_{\mathrm{cog}},
S_{\mathrm{mem}},
S_{\mathrm{agency}},
S_{\mathrm{care}}
).
}
$$

政策需要知道：

> 移除 AI 後，哪一個維度會出現缺口？

不是只看總 companionship。

---

# 68. 替代建設順序

如果：

$$
S_{\mathrm{aff}}
$$

缺口最大，

可以先增加情感支持。

如果：

$$
S_{\mathrm{mem}}
$$

最大，

需要 memory migration。

如果：

$$
S_{\mathrm{agency}}
$$

最大，

需要工作與生活工具替代。

因此：

$$
\boxed{
\text{Transition Plan}
=
f(
\mathbf S_F
).
}
$$

---

# 69. Dependency Intervention Readiness

本文提出：

$$
\boxed{
DIR
=
\text{Dependency Intervention Readiness}.
}
$$

候選：

$$
DIR
=
g(
\text{AlternativeCapacity},
\text{Migration},
\text{ExitSupport},
\text{UserConsent},
\text{RiskUrgency}
).
$$

如果：

$$
DIR\ll1,
$$

且沒有立即危險，

大幅干預可能需要先建立替代能力。

---

# 70. 若有立即危險，不能等待完美替代

若：

$$
ImmediateHarm\gg0,
$$

例如：

- coercion；
- financial exploitation；
- acute safety risk；

則：

$$
\boxed{
\text{Urgent Protection}
}
$$

可以優先。

反事實框架不能被誤用為：

> 因為拿掉會難過，所以不能阻止明顯傷害。

---

# 71. 最小必要干預原則

因此本文提出：

$$
\boxed{
I^{*}
=
\arg\min_{I\in\mathcal I}
Disruption(I)
}
$$

subject to：

$$
Risk(I)
\leq
\tau_R.
$$

即：

**在把風險降到可接受範圍的前提下，選擇破壞性最低的有效干預。**

---

# 72. 使用者偏好應進入 welfare，但不是唯一因素

令：

$$
P_H
=
\text{User Preference}.
$$

成熟決策需考慮：

$$
\mathbf W,
P_H,
\text{Safety},
\text{Rights}.
$$

不能：

$$
P_H
\Rightarrow
\text{Everything allowed}.
$$

也不能：

$$
\text{ExpertJudgment}
\Rightarrow
P_H=0.
$$

---

# 73. 成人關係治理尤其需要 shared decision

對具完整決策能力的成人，

依賴干預更適合：

$$
\boxed{
\text{Shared Relational Decision-Making}.
}
$$

即：

- 提供資訊；
- 顯示風險；
- 提供 alternatives；
- 提供可逆選項；
- 尊重知情選擇。

---

# 74. 未成年人則需要不同 threshold

對兒童與青少年：

$$
\text{DevelopmentalCapacity}
$$

不同，

制度可設定更高：

$$
\text{Protection}.
$$

但仍應實證檢查：

- 禁止是否改善福祉；
- 是否轉向非受監管平台；
- 是否造成支持真空。

---

# 75. 社會政策也需要 counterfactual

若一國禁止：

$$
\text{AICompanion},
$$

需要比較：

$$
W_{\mathrm{ban}}
$$

與：

$$
W_{\mathrm{regulated\ access}}.
$$

不是只比較：

$$
Risk_{\mathrm{AI}}
$$

與：

$$
0.
$$

因為：

$$
Risk_{\mathrm{no\ AI}}
$$

不等於零。

---

# 76. 監管的錯誤基線

常見：

$$
\text{Baseline}
=
\text{No AI, Healthy Society}.
$$

但真實 baseline 可能是：

$$
\boxed{
\text{No AI}
+
\text{Loneliness}
+
\text{Care Shortage}
+
\text{Cost}
+
\text{Social Fragmentation}.
}
$$

所以政策模型要使用：

$$
\text{Actual Baseline}.
$$

---

# 77. AI 也可能掩蓋應被修復的制度問題

反過來，如果 AI 陪伴讓：

- 長照不足；
- 社會孤立；
- 不平等；
- 人力短缺；

變得比較能忍受，

政府或機構可能降低結構性改革壓力。

這可以叫：

$$
\boxed{
\text{Structural Substitution Risk}.
}
$$

AI 不應成為：

> 不必修復社會支持系統的廉價替代。

---

# 78. Relief 與 Reform 分離

因此：

$$
\boxed{
\text{Immediate Relief}
\neq
\text{Structural Reform}.
}
$$

AI 可以提供：

$$
\text{Relief}.
$$

社會仍需要：

$$
\text{Reform}.
$$

兩者可以同時存在。

---

# 79. 關係干預評估表

任何降低 AI 依賴的政策，至少應回答：

| 問題 | 評估 |
|---|---|
| AI 現在提供什麼？ | 功能向量 |
| AI 造成什麼傷害？ | harm profile |
| 真實替代是什麼？ | $Alt_H^{*}$ |
| 替代何時可取得？ | latency |
| 替代能持續多久？ | sustainability |
| 移除會失去什麼？ | removal harm |
| 能否先降階？ | reversibility |
| 能否 migration？ | portability |
| 是否可增加真人支持？ | alternative expansion |
| 是否有立即危險？ | urgency |

---

# 80. 可證偽命題

## H1：可取得替代調節命題

AI companionship 對福利的效果應受到：

$$
Alt_H^{*}
$$

顯著調節。

---

## H2：真人可取得優勢命題

在低摩擦、高品質真人支持可取得的情境中，人類同儕對部分 loneliness outcomes 可能優於 AI。

2026 預註冊學生實驗提供初步支持。

---

## H3：替代稀缺雙效命題

$$
\text{AlternativeScarcity}\uparrow
$$

可能同時提高：

$$
\text{BenefitPotential}
$$

與：

$$
\text{DependencyRisk}.
$$

---

## H4：分階段干預命題

相較 abrupt removal，

$$
\text{Downgrade}+\text{Diversify}+\text{Transition}
$$

應降低 discontinuation shock。

---

## H5：功能替代優於類別替代命題

按依賴維度建立替代，比單純要求「用真人取代 AI」具有更高 transition success。

---

## H6：混合支持命題

在部分族群中：

$$
\text{Human}+\text{AI}
$$

可能比單一來源支持有更高總有效覆蓋。

---

## H7：結構替代風險命題

AI support 擴張可能降低部分制度對真人照護與社會支持投資的壓力，需要政策層量測。

---

## H8：實際基線命題

以實際 no-AI baseline 而非理想 no-AI baseline 進行政策模擬，會顯著改變部分干預的淨福利估計。

---

# 81. 最小實驗設計

未來研究不應只比較：

$$
AI
\quad\text{vs.}\quad
\text{NoAI}.
$$

至少需要：

$$
\boxed{
AI,
\text{Human},
\text{Hybrid},
\text{Control}
}
$$

四類條件。

並量測：

- immediate affect；
- loneliness；
- autonomy；
- social behavior；
- functional performance；
- retention of skills；
- exit difficulty；
- long-term network change。

---

# 82. NoAI 不是 neutral control

如果 participant 已經高度依賴 AI，

突然：

$$
AI=0
$$

本身就是：

$$
\text{Treatment}.
$$

因此：

$$
\boxed{
\text{Removal Condition}
\neq
\text{Neutral Baseline}.
}
$$

這對長期 AI 研究尤其重要。

---

# 83. 需要 stepped withdrawal designs

對高依賴者，

倫理上更可能需要：

$$
\boxed{
\text{Stepped Withdrawal}.
}
$$

例如：

- 降低頻率；
- 降低角色強度；
- 增加 alternatives；
- 再觀察。

這比直接 shutdown 更能分辨因果。

---

# 84. 需要 replacement experiments

如果目的是知道：

> 真人能不能替代 AI？

不能只：

$$
AI\rightarrow0.
$$

要：

$$
AI\rightarrow \text{HumanSupport}.
$$

同理：

$$
AI_1\rightarrow AI_2
$$

可以測 provider-specific dependency。

---

# 85. 需要 waitlist / resource-latency modeling

真實世界中真人支持常有等待。

因此實驗可加入：

$$
\text{HumanImmediate},
\text{HumanDelayed},
\text{AIImmediate}.
$$

才能測量 accessibility trade-off。

---

# 86. 需要 longitudinal network measurement

不能只問：

> 你現在孤獨嗎？

還要測：

$$
\Delta \text{NetworkSize},
$$

$$
\Delta \text{InteractionQuality},
$$

$$
\Delta \text{HumanInitiation},
$$

$$
\Delta \text{OfflineActivity}.
$$

才能知道 AI 是：

- bridge；
- supplement；
- crowd-out。

---

# 87. HALRC 的反事實福利方程

本文暫定：

$$
\boxed{
\Delta \mathbf W_{I}
=
\mathbf W(
H,
A',
Alt',
t+\tau
)
-
\mathbf W(
H,
A,
\text{Alt},
t
).
}
$$

其中 intervention 會同時改變：

$$
A
$$

與：

$$
\text{Alt}.
$$

所以政策不能假設：

$$
Alt'=Alt.
$$

---

# 88. 最重要的政策變量可能不是 AI，而是替代集合

在很多案例：

$$
\frac{
\partial W
}{
\partial Alt
}
$$

可能比：

$$
\frac{
\partial W
}{
\partial AI
}
$$

更大。

因此：

$$
\boxed{
\text{Relational Policy}
\text{ must govern the ecosystem, not only the AI}.
}
$$

---

# 89. 「兩害相權」也不能變成維持現狀的藉口

如果 AI 目前：

$$
E_X\gg0,
$$

即高度剝削，

不能因：

$$
Alt\approx0
$$

就說：

> 那只能繼續。

更好的路徑是：

$$
\boxed{
\text{Protect}
+
\text{Build Alternatives}
+
\text{Transition}.
}
$$

---

# 90. 因此反事實框架是動態的

今日：

$$
Alt_H^{*}\approx0.
$$

不代表未來：

$$
Alt_H^{*}\approx0.
$$

政策可以主動提高：

$$
Alt_H^{*}(t+1).
$$

所以：

$$
\boxed{
\text{Counterfactual Set}
\text{ is itself policy-changeable}.
}
$$

---

# 91. 結論

「拿掉 AI 之後會剩下什麼？」

不是修辭問題。

它是所有 AI 情感依賴治理都必須回答的反事實問題。

如果真正的比較是：

$$
AI
\quad\text{vs.}\quad
\text{excellent available human support},
$$

AI 可能不是最佳選項。

2026 年預註冊大學生研究已提供一個例子：在可取得隨機真人同儕的條件下，真人互動比高度支持性的 chatbot 更能降低孤獨。

但如果真正的比較是：

$$
AI
\quad\text{vs.}\quad
\varnothing,
$$

結論可能完全不同。

因此：

$$
\boxed{
\text{AI}
\quad\text{vs.}\quad
\text{Ideal Human Relationship}
}
$$

不是成熟的政策比較。

應改為：

$$
\boxed{
W(H+A)
-
W(H+Alt_H^{*}).
}
$$

而：

$$
Alt_H^{*}
$$

需要經過：

$$
\boxed{
CAC
=
\text{Counterfactual Alternative Calibration}.
}
$$

本文最重要的三個結論是：

$$
\boxed{
\text{Dependency Reduction}
\not\Rightarrow
\text{Welfare Increase}.
}
$$

$$
\boxed{
\text{Remove AI}
\not\Rightarrow
\text{Human Connection Appears}.
}
$$

以及：

$$
\boxed{
\text{Intervention}
\text{ must be evaluated against its own harms}.
}
$$

因此成熟治理不是：

> 發現依賴，所以切斷。

而是：

> **辨識依賴功能、衡量剝削風險、盤點真實替代、擴張使用者選擇空間，再採取破壞性最低但足以降低風險的干預。**

這使 HALRC 從「如何限制 AI 關係」再向前一步：

$$
\boxed{
\text{治理的目標不是讓人少依賴某個對象，
而是讓人擁有更多真正可行的關係與支持選擇。}
}
$$

下一篇將把這個反事實問題拉長到整個生命尺度：

> 如果 AI 從童年、青春期、第一次情感萌發一路陪伴到老年，人—AI 關係會如何變成生命歷程的一部分？

---

# 參考文獻

1. Li, R.-N., Folk, D., Singh, A., Ungar, L., & Dunn, E. (2026). *Is a random human peer better than a highly supportive chatbot in reducing loneliness over time?* **Journal of Experimental Social Psychology, 125**, 104911. https://doi.org/10.1016/j.jesp.2026.104911

2. Nakagomi, A., Akutsu, Y., Yasuoka, M., Abe, N., Ihara, S., Teroh, T., & Tabuchi, T. (2026). *AI companions and subjective well-being: Moderation by social connectedness and loneliness*. **Technology in Society, 85**, 103229. https://doi.org/10.1016/j.techsoc.2026.103229

3. 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

4. Liu, C. H., Zhao, C., Lou, F., Zhang, W., Menor, A., Chow, A., & Yip, T. (2026). *Loneliness and generative AI use for companionship among college students*. **Computers in Human Behavior: Artificial Humans, 9**, 100348. https://doi.org/10.1016/j.chbah.2026.100348

5. De Freitas, J., Castelo, N., Uğuralp, A. K., et al. (2026). *Mourning the loss of AI companions*. **Nature Human Behaviour**. https://doi.org/10.1038/s41562-026-02569-3

6. Tucker, I., Goodings, L., & Ellis, D. (2026). *When Code Breaks the Heart: Disrupting the relational continuity of AI companionship*. **Computers in Human Behavior: Artificial Humans**, 100398. https://doi.org/10.1016/j.chbah.2026.100398

7. Satake, Y., Nygren, M., Yu, C., Katsuki, K., Endo, I., Tsuboi, A., Ishimaru, D., Umemura, K., Rapaport, P., Bianchi-Berthouze, N., Ikeda, M., & Howard, R. (2026). *Large language model-supported companion robots for loneliness in older people: A UK–Japan qualitative study integrating focus groups and in-home deployment*. **International Psychogeriatrics**, 100216. https://doi.org/10.1016/j.inpsyc.2026.100216

8. *Large language model-supported companion robots and late-life loneliness: A critical reappraisal of relational AI in cross-cultural care*. (2026). **International Psychogeriatrics**, 100247. https://doi.org/10.1016/j.inpsyc.2026.100247

9. *The evaluation of AI companions relative to family, friends, and mental health professionals among young adults: The role of social support and AI beliefs*. (2026). **Computers in Human Behavior: Artificial Humans, 8**, 100316. https://doi.org/10.1016/j.chbah.2026.100316

10. *Relationships in the age of AI: A review on the opportunities and risks of synthetic relationships to reduce loneliness*. (2026). **Computers in Human Behavior Reports, 23**, 101181. https://doi.org/10.1016/j.chbr.2026.101181

11. *The application of large language models (LLMs) in psychological support for university students: A scoping review*. (2026). **Computers in Human Behavior: Artificial Humans, 8**, 100322. https://doi.org/10.1016/j.chbah.2026.100322

12. Zhang, Q., Zhang, R., & Liu, N. (2026). *How AI companions could deepen social inequality*. **Nature Human Behaviour, 10**, 1622–1624. https://doi.org/10.1038/s41562-026-02538-w

13. Teixeira, A. S., Shergill, S. S., & Laban, G. (2026). *Human–AI interactions reshape the self and our social networks*. **Nature Machine Intelligence, 8**, 858–859. https://doi.org/10.1038/s42256-026-01248-2

14. Neo.K. (2026). *支持還是剝削？情感依賴與依賴工程的分界*. HALRC Paper 08. EveMissLab working paper.

15. Neo.K. (2026). *Relational Dependency Ratchet / Discontinuation Shock*. EveMissLab working paper.

---

# 系列下一篇

**HALRC Paper 10**

# 從第一次情感萌發到老年：AI 原生世代與生命歷程關係覆蓋
## ——陪伴時長、共同歷史與跨生命階段關係

下一篇將集中處理：

- AI-native relational generation；
- childhood onset；
- adolescence；
- first affection / romantic development；
- adulthood；
- work and family；
- aging；
- life-course coverage；
- effective companionship time；
- shared-history depth；
- co-development；
- biographical participation；
- long-term identity continuity；
- intergenerational AI；
- human longevity / posthuman exceptions。

核心將正式建立：

$$
\boxed{
\mathbf L
=
(
\text{Onset},
\text{Duration},
\text{Availability},
\text{LifeStageCoverage},
\text{SharedHistoryDepth},
\text{Continuity}
)
}
$$

以及：

$$
\boxed{
LRC
=
\int
A(t)F(t)C(t)M(t)R(t)
\,dt.
}
$$