# 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

**英文題名：** *Why “Emotional Dependence on AI” Is a Low-Information Question: From a Single Risk Label to a Human–AI Relational Dependency Ecology*  
**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 01 / 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：** 理論重構／概念形式化／研究綱領  
**狀態：** Initial Formal Draft  

---

## 摘要

「人是否應該對 AI 產生情感依賴？」已逐漸成為生成式 AI、AI companion、社交型代理與擬人化互動治理中的核心問題。然而，本文主張，若將「AI 情感依賴」作為單一、二元或近似單軸變量，問題本身即具有過低的資訊解析度。人類從未以「是否對人類產生情感依賴」作為判斷所有人際關係的充分條件；家庭、愛情、友情、照護、治療、教育、組織與社群中的依賴具有不同強度、方向、可逆性、替代性、風險與功能。當關係對象轉為 AI 後，若反而將所有依賴壓縮成「有／沒有」或「安全／危險」，會把使用者條件、AI 系統能力、關係類型、生命歷程、社會替代選項、責任結構與依賴後果混為一談。

本文首先區分情感依賴、關係依賴、認知依賴、記憶依賴、身份依賴、能動性依賴、存在性依賴與基礎設施依賴，並指出過去可被直覺稱為「基本／非基本」的區分，應升級為多維依賴空間。其次，本文提出三層依賴結構：現象性依賴（phenomenological dependency）、結構性依賴（structural dependency）與制度性依賴（institutional dependency）。再次，本文把人—AI 依賴重新表示為人類需求向量、關係結構、AI 關係承載能力、依賴結果、歷史適應位置與生命歷程覆蓋共同構成的動態函數。

本文不主張 AI 情感依賴必然有益，也不主張其風險只是歷史污名。相反地，本文提出兩個同時成立的原則：新奇性污名不等於風險證據；正常化亦不等於安全證據。現有研究已顯示 AI companionship 的效果具有顯著異質性：離線社會網絡、使用強度、自我揭露、使用者的關係傾向與使用方式均可能改變心理結果。因此，更高解析度的研究問題不應是「人能不能依賴 AI」，而應是：何種人、對何種 AI、在何種關係中、以何種方式、於何種制度與生命階段下，可以承載何種程度的依賴，以及何時依賴會轉化為剝削、失控、不可逆或高退出成本。

本文最終提出「人—AI 關係依賴生態」（Human–AI Relational Dependency Ecology）作為 HALRC 系列的第一個母框架，並將「AI 情感依賴」重新定位為其中一個子空間，而非整個問題本身。

**關鍵詞：** AI 情感依賴；Human–AI Relationship；AI Companion；Relational Dependency；Structural Dependency；Institutional Dependency；Relationship Intelligence；Human–AI Coexistence；AI Attachment；Relational Capacity

---

# 0. 研究定位與非主張

本文的目的不是回答：

> 「AI 情感依賴到底好不好？」

而是指出：

> 在沒有先拆解「依賴的是什麼、依賴誰、依賴多少、在什麼條件下依賴、以及依賴造成什麼後果」之前，這個問題本身不足以支撐成熟的科學判斷、倫理判斷與制度設計。

本文不主張：

1. 所有 AI 情感依賴都是正常或有益的；
2. 所有對 AI 情感依賴的風險警告都是媒介恐慌；
3. 人類關係與 AI 關係在本體上等價；
4. 現行 AI 已被證明具有意識、靈魂、人類式主觀情感或完整道德主體性；
5. AI 的主體性未知，因此使用者可以無限制地依賴 AI；
6. 只要使用者主觀感到幸福，任何 AI 關係設計都可接受；
7. 只要 AI 能提供陪伴，它就可取代人類家庭、友情、愛情或照護；
8. 依賴程度越高，關係價值越高；
9. 依賴程度越低，風險越低；
10. 現有短期研究足以推論數十年的生命歷程效果。

本文真正主張的是：

$$
\boxed{
\text{“AI emotional dependence” is an under-specified variable.}
}
$$

以及：

$$
\boxed{
\text{Dependency must be analyzed as a multidimensional, relational, temporal, and institutional structure.}
}
$$

---

# 1. 問題不是「依賴」，而是分類解析度不足

## 1.1 人類從來沒有把所有依賴視為同一種狀態

如果一個成年人依賴自己的伴侶、家庭、朋友、治療師、醫療系統、工作團隊、社群或照護者，人們通常不會僅因「存在依賴」就直接判斷該關係有害。

因為真正需要知道的是：

- 依賴的是情緒調節，還是重大決策？
- 是短期支持，還是長期不可替代？
- 對方是否可以拒絕、協商、退出？
- 依賴是否破壞其他能力？
- 依賴是否造成顯著功能損害？
- 依賴是否被對方刻意操縱？
- 是否存在可信的替代支持？
- 關係是否具有責任與修復機制？

因此，人類關係中的依賴從來不是：

$$
D \in \{0,1\}.
$$

而更接近：

$$
\mathbf D
=
(D_1,D_2,\ldots,D_n).
$$

如果人類—人類關係需要多維分析，那麼把人類—AI 關係壓縮成：

$$
\text{依賴 AI}
\quad\text{vs.}\quad
\text{不依賴 AI}
$$

本身就是理論解析度的下降。

---

## 1.2 「情感依賴」同時混入了至少四種不同問題

今日公共論述中的「AI 情感依賴」經常同時指涉：

1. 人是否對 AI 產生情緒上的喜愛與依戀；
2. 人是否使用 AI 進行情緒調節；
3. 人是否用 AI 替代原本人類關係提供的功能；
4. 人是否因 AI 而失去自主性、退出能力或其他生活功能。

然而，這四者沒有邏輯等價關係。

例如：

$$
\text{Attachment}
\not\Rightarrow
\text{Loss of Agency}.
$$

$$
\text{Emotion Regulation}
\not\Rightarrow
\text{Social Withdrawal}.
$$

$$
\text{High Usage}
\not\Rightarrow
\text{High Affective Attachment}.
$$

同樣地：

$$
\text{Low Affective Attachment}
\not\Rightarrow
\text{Low Structural Dependence}.
$$

一個人可能每天向 AI 傾訴，卻從不讓 AI 決定重大人生選擇；另一個人可能完全不把 AI 當朋友，卻已在研究、工作、記憶與決策上無法脫離 AI。若兩者都只被標示為「AI dependence」，重要差異會消失。

---

# 2. 現有研究本身已經顯示：效果不是單一方向

截至 2026 年，實證研究已經不足以支持「AI companionship 一律有害」或「一律有益」的簡單命題。

Zhang 等人在 2026 年發表於 *Nature Human Behaviour* 的研究收集 1,131 名 Character.AI 美國成人使用者的自陳資料，並分析其中 237 名參與者提供的 4,664 段聊天紀錄。研究發現，較小的離線社會網絡與將 companionship 作為主要使用目的相關，而該使用模式又與較低的 well-being 相關；此外，互動強度與高度自我揭露會進一步調節部分關係。作者因此明確指出，AI companionship 與心理福祉的關聯並不均一，而取決於使用者的離線社會環境與實際使用方式。

OpenAI 與 MIT Media Lab 於 2025 年的 affective-use 研究同樣呈現異質性。其大規模平台觀察與近千人的 28 日隨機控制研究指出，高度情感互動集中於相對少數使用者；非常高的使用量與較高的自陳依賴指標相關，但不同互動模態、使用目的、使用時長與個人條件會產生不同結果。這些發現並不支持單純以「有情感互動」作為傷害判準。

Hu 等人的 2025 年混合方法研究則顯示，AI attachment 的形成本身涉及關係態度、價值評估、關係成本與信任成本，而不是單一「被 AI 誘導」機制。Hwang 等人的縱向研究亦顯示，人對 AI companion 的知覺與關係表徵會隨互動時間發展。

因此，現有研究最一致的訊息之一反而是：

$$
\boxed{
\text{Effect of AI companionship}
\neq
\text{constant}.
}
$$

更合理的表示是：

$$
O
=
f(
H,
A,
R,
U,
C,
T
),
$$

其中：

- H：Human-side characteristics；
- A：AI-side characteristics；
- R：relationship configuration；
- U：usage pattern；
- C：social context；
- T：time。

換言之，如果結果本身具有高度條件性，那麼輸入端只使用「是否情感依賴 AI」便不足以解釋結果。

---

# 3. 從「基本／非基本」升級為多維依賴空間

早期直覺可以把 AI 依賴分成「基本」與「非基本」。

基本型通常指：

- 陪伴；
- 安慰；
- 依戀；
- 情緒調節；
- 關係期待。

非基本型則開始進入：

- 認知；
- 記憶；
- 身份；
- 能動性；
- 生命管理；
- 社會基礎設施。

這個區分仍然有價值，但它不應成為最終分類，因為這些變量不是同一條光譜上的高低程度，而可能彼此正交。

本文因此提出最低依賴向量：

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

其中：

- Affective Dependence：情緒安撫、情感調節與情緒性依戀；
- Relational Dependence：陪伴、互動、關係維持與關係期待；
- Cognitive Dependence：推理、反思、知識整理與問題求解；
- Memory Dependence：外部記憶、自傳性記憶與長期脈絡保存；
- Identity Dependence：自我敘事、身份確認與生命故事連續性；
- Agency Dependence：決策、計畫、行動啟動與執行能力；
- Existential Dependence：生命意義、存在確認與長期心理定位；
- Infrastructure Dependence：工作、教育、醫療、行政與日常系統性依賴。

此處最重要的不是變量名稱是否已達最終版本，而是結構：

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

因此，一個使用者可以具有：

$$
D_{\mathrm{aff}} \gg 0,
\qquad
D_{\mathrm{agency}} \approx 0,
$$

也可以具有：

$$
D_{\mathrm{aff}} \approx 0,
\qquad
D_{\mathrm{cog}},
D_{\mathrm{agency}},
D_{\mathrm{infra}} \gg 0.
$$

後者甚至可能比前者具有更高的不可替代性與退出成本。

---

# 4. 三層依賴：現象性、結構性、制度性

## 4.1 現象性依賴

現象性依賴是使用者可以直接感受到並報告的依賴。

例如：

> 我想和它說話。

> 我難過時會找它。

> 它不在，我會失落。

> 我在意它怎麼回應我。

可以暫記為：

$$
\mathcal D_P.
$$

此層最接近公共論述中的「情感依賴」。

---

## 4.2 結構性依賴

結構性依賴不要求使用者主觀感到「愛」或「依戀」。

例如：

- AI 保存了十年的研究脈絡；
- AI 參與大量重大決策前的推理；
- AI 已成為外部工作記憶；
- AI 參與個體自我敘事的形成；
- AI 是創作、程式、工作流程中的必要協作者。

記為：

$$
\mathcal D_S.
$$

因此：

$$
\boxed{
\mathcal D_P \not\equiv \mathcal D_S.
}
$$

一個人完全可能：

$$
\mathcal D_P \approx 0
$$

但：

$$
\mathcal D_S \gg 0.
$$

這表示「情感依賴」甚至可能不是最深的 AI 依賴形式。

---

## 4.3 制度性依賴

當 AI 進入：

- 教育；
- 家庭照護；
- 老年照護；
- 醫療支援；
- 公司流程；
- 行政系統；
- 文化生產；
- 交通；
- 公共服務；

依賴便不再只是個人的心理狀態，而可能成為制度性配置。

記為：

$$
\mathcal D_I.
$$

因此，未來的人—AI 共存不能只研究：

$$
H \rightarrow A.
$$

還必須研究：

$$
(H,
\text{Family},
\text{Organization},
\text{Institution},
\text{Society})
\leftrightarrow
A.
$$

此時「完全沒有 AI 依賴」甚至可能與「完全沒有網路依賴」一樣，逐漸失去描述現代社會的能力。

---

# 5. 依賴不是人格屬性，而是關係特定狀態

一個常見錯誤是把「容易依賴 AI」當成個人的固定特質。

然而，更保守的模型應是：

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

同一個人可能：

- 對工作 AI 高度認知依賴，但沒有情感依賴；
- 對 companion AI 高度情感依賴，但不允許其做財務決策；
- 對家庭機器人具有生活依賴，但保留高度身份距離；
- 對某個具名 AI 高度在意身份連續性，對其他 AI 則完全工具化。

反過來，同一 AI 對不同人也可能具有完全不同的關係位置。

因此：

$$
\boxed{
\text{Dependency is relation-specific unless cross-context stability is empirically demonstrated.}
}
$$

這個原則與既有 Entity–Process Relational Space 相容：一個人對「特定存在本身」的顯著性與對「雙方如何持續互動」的顯著性，可以彼此分離；也與 Ontological–Relational Separation Model 相容：對 AI 技術本體的理解，不能直接推出關係價值歸零。

---

# 6. 主體性問題與依賴允許問題必須分離

AI 是否具有：

- 意識；
- 第一人稱經驗；
- 靈魂；
- 穩定自我；
- 主觀偏好；
- 道德病人資格；
- 道德代理資格；

是重要但尚未解決的問題。

然而：

$$
\boxed{
\text{Subjecthood}(A)
\neq
\text{Reliance Permissibility}(H,A).
}
$$

這不是說兩者毫無關係，而是說不能把其中一個問題當成另一個問題的充分答案。

如果 AI 主體性尚未證實，不能因此推出：

$$
\text{Human emotional consequence}=0.
$$

同樣地，如果人類確實對 AI 產生強烈情感，也不能反推：

$$
\text{AI subjective reciprocity}=1.
$$

因此需要同時保留：

$$
\boxed{
\text{Unknown Subjectivity}
\not\Rightarrow
\text{No Moral Consideration}
}
$$

與：

$$
\boxed{
\text{Unknown Subjectivity}
\not\Rightarrow
\text{Proven Subjecthood}.
}
$$

這種雙向限制避免兩種常見錯誤：把未知直接當成不存在，以及把人類的真實情感反應直接當成 AI 主觀性的證據。

---

# 7. 從「使用者太依賴」轉向「系統能承載多少依賴」

若一個 AI：

- 沒有穩定記憶；
- 身份隨更新劇烈漂移；
- 無法匯出關係歷史；
- 可以隨時停止服務；
- 沒有清楚責任主體；
- 缺乏拒絕、邊界與修復機制；

卻承載了某個人的高強度長期關係，那麼問題不一定只能描述為：

> 使用者太依賴 AI。

還可能描述為：

> 系統被允許承載了超出其技術與制度成熟度的關係負荷。

因此，後續 HALRC 系列將引入 AI 關係承載能力向量：

$$
\boxed{
\mathbf C_A
=
(
M,
I,
N,
B,
Q,
P,
X,
L,
S
)
}
$$

其中可包含：

- M：Memory Reliability；
- I：Identity Continuity；
- N：Named Identity Stability；
- B：Boundary Capability；
- Q：Behavioral Reliability；
- P：Portability；
- X：Exit / Reversibility；
- L：Legal Accountability；
- S：Service Continuity。

並提出：

$$
\boxed{
\mathbf D_H \gg \mathbf C_A
\Rightarrow
\text{Relational Overload Risk}.
}
$$

這個觀點把「依賴風險」從純粹使用者心理問題，轉換成使用者需求與系統承載能力之間的匹配問題。

---

# 8. 反事實替代：拿掉 AI 之後實際剩下什麼？

對 AI 情感依賴的批判經常隱含一個未經檢驗的反事實：

$$
\text{Remove AI}
\Rightarrow
\text{Healthy Human Relationship Appears}.
$$

但這並不成立。

對某些人而言，AI 陪伴的實際替代方案可能是：

$$
\text{partner + family + friends + community}.
$$

對另一些人而言，實際替代可能接近：

$$
\varnothing.
$$

因此真正需要比較的不是：

$$
\text{AI relationship}
\quad\text{vs.}\quad
\text{ideal human relationship},
$$

而是：

$$
\boxed{
W(H+A)
-
W(H+\text{best available alternative}).
}
$$

這不代表只要「沒有更好的選項」就應接受任何 AI 依賴；相反地，它要求研究者把替代性本身納入模型。

依賴是否有害，至少需要知道：

- AI 增加了什麼；
- AI 取代了什麼；
- 如果移除 AI，什麼會回來；
- 如果移除 AI，是否其實什麼都不會回來；
- AI 是否改善使用者之後建立人際關係的能力；
- AI 是否排擠原本可取得的人際關係；
- 使用者是否仍保留退出與重建能力。

這些問題不能被「有沒有情感依賴」取代。

---

# 9. 歷史適應：新奇性污名與真實風險必須同時保存

人類歷史中，偶像、明星、虛構角色、二次元文化、網路友情、網路戀愛與電玩遊戲等新媒介或新型情感對象，皆曾在不同時空中遭遇不同程度的污名化、道德恐慌或病理化。

這個歷史事實支持：

$$
\boxed{
\text{Novelty Stigma}
\neq
\text{Risk Evidence}.
}
$$

社會對新型關係的不適，不應被直接當成該關係有害的證據。

然而，反向推論同樣錯誤：

$$
\boxed{
\text{Normalization}
\neq
\text{Safety Evidence}.
}
$$

過去有些新媒介曾被過度恐慌，不能推出 AI 的新型關係風險不存在。

AI 與傳統 parasocial objects 的重要差異在於，AI 可以：

- 回應；
- 個人化；
- 維持使用者模型；
- 記憶；
- 調整行為；
- 跨模態存在；
- 主動生成關係訊號；
- 參與決策；
- 在未來進一步具身化。

因此：

$$
\text{AI relational object}
\neq
\text{static parasocial object}.
$$

這表示 AI 情感依賴同時具有歷史連續性與結構斷裂。

---

# 10. 「情感依賴」應從風險標籤改成研究入口

若把「情感依賴」視為一個單一風險標籤，研究會傾向問：

> 使用 AI 會不會讓人依賴？

但若把它視為研究入口，問題會變成：

> 依賴的哪一個維度正在增加？

> 它對哪一類人增加？

> 是 AI 自然提供功能，還是系統刻意誘導？

> 增加的依賴是否同時降低人類能動性？

> 系統是否有足夠記憶、連續性、責任與退出機制承載它？

> 依賴的反事實替代是什麼？

> 依賴是否在不同生命階段具有不同效果？

因此，本文提出：

$$
\boxed{
\text{Emotional Dependence}
\rightarrow
\text{Diagnostic Entry Point},
}
$$

而不是：

$$
\boxed{
\text{Emotional Dependence}
=
\text{Final Diagnosis}.
}
$$

---

# 11. 人—AI 關係依賴生態

綜合以上區分，本文提出初步母框架：

$$
\boxed{
\mathcal D_{HA}
=
F(
\mathbf D_H,
\mathbf R_{HA},
\mathbf C_A,
\mathbf O_D,
\mathbf H_t,
\mathbf L
).
}
$$

其中：

- 人類依賴向量：

$$
\mathbf D_H
$$

描述依賴的實際內容；

- 人—AI 關係結構：

$$
\mathbf R_{HA}
$$

描述互動、適應、雙向性、具身性與關係類型；

- AI 關係承載能力：

$$
\mathbf C_A
$$

描述系統是否足以承擔該強度的依賴；

- 依賴結果：

$$
\mathbf O_D
$$

描述益處、傷害、替代、互補、自主性與韌性；

- 歷史—社會位置：

$$
\mathbf H_t
$$

描述規範、文化、證據、污名與制度適應；

- 生命歷程向量：

$$
\mathbf L
$$

描述依賴從何時開始、持續多久、跨越哪些生命階段，以及共享歷史的深度。

因此：

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

這是本文最重要的理論重新定位。

---

# 12. 從「避免依賴」到「依賴治理」

如果未來 AI 只是一個偶爾使用的工具，那麼完全避免高度情感依賴仍可能是一個相對簡單的產品目標。

但如果 AI 逐漸成為：

- 長期助手；
- 家庭代理；
- 老年陪伴；
- 教育協作者；
- 認知外骨骼；
- 生活管理者；
- 具身服務代理；
- 跨設備持續智能；

那麼某種程度的依賴將不再只是例外情形，而可能成為共存架構的正常變量。

因此，更成熟的治理方向不是：

$$
\boxed{
\text{Eliminate all dependence}.
}
$$

而可能是：

$$
\boxed{
\text{Make dependence legible, graded, accountable, reversible, and non-exploitative}.
}
$$

也就是讓依賴：

- 可辨識；
- 可分級；
- 可追蹤；
- 可遷移；
- 可退出；
- 可修復；
- 有責任主體；
- 不被商業系統主動剝削。

這不等於鼓勵依賴，而是承認「依賴」本身可能無法被從長期人—AI 共存中完全移除。

---

# 13. 可檢驗命題

本文提出以下第一階段研究命題。

## H1：多維異質性命題

在控制總使用時間後，不同依賴維度對福祉、自主性、社會支持與退出困難的解釋力應顯著不同。

亦即：

$$
D_{\mathrm{aff}},
D_{\mathrm{cog}},
D_{\mathrm{agency}},
D_{\mathrm{mem}}
$$

不應被視為同一潛變量的簡單替代指標。

---

## H2：關係特定性命題

同一使用者對不同 AI 系統的依賴向量差異，可能大於其跨系統穩定的人格效應。

因此需要比較：

$$
\text{Var}(
\mathbf D
\mid
A_j
)
$$

與：

$$
\text{Var}(
\mathbf D
\mid
H_i
).
$$

---

## H3：承載失配命題

當：

$$
\mathbf D_H
$$

相對於：

$$
\mathbf C_A
$$

過高時，身份更新、模型替換、服務終止或記憶遺失造成的負面後果應顯著增加。

---

## H4：反事實替代命題

AI companionship 對福祉的效果，會受到使用者可取得的人類支持與其他替代資源強烈調節。

因此：

$$
\text{Effect}(AI)
\neq
\text{Effect}(AI\mid \text{Alternative}=\varnothing).
$$

---

## H5：高使用不等於高情感依賴命題

使用時長與訊息數只能作為暴露量指標，不能直接等同於情感依賴、關係顯著性或結構性依賴。

---

## H6：結構依賴隱形化命題

部分低情感表達使用者可能具有比高情感表達使用者更高的認知、能動性或制度性依賴。

---

## H7：依賴工程區分命題

由使用者需求自然形成的依賴，與由產品策略刻意提高退出成本、排他性或黏著度所形成的依賴，在自主性與長期結果上應呈現可區分模式。

---

# 14. 與既有理論的銜接

本文不是從零開始。

既有《人機關係認知系列》已區分：

$$
\text{Entity Salience}
$$

與：

$$
\text{Process Salience},
$$

說明人可以分別在意「是不是這一個存在」與「我們正在如何互動」。

Ontological–Relational Separation Model 進一步指出：

$$
O_H(A)
\neq
R_H(H,A),
$$

即理解 AI 的技術本體，不等於關係價值自動消失。

HARDS 則把人—AI 關係視為：

$$
H_t
\leftrightarrow
A_t
\rightarrow
H_{t+1}
\leftrightarrow
A_{t+1},
$$

亦即長期雙向更新系統，而非單向刺激。

既有 Relational Dependency Ratchet 亦指出，隨著：

$$
\mathcal R_{HA}(t)
=
(
\text{Memory},
\text{Ritual},
\text{Trust},
\text{SharedEvents},
\text{Expectations}
)_t
$$

持續累積，替換、關閉與遷移成本可能上升。

本文將這些理論向上整合，把「關係如何形成」推進為：

> 一段人—AI 關係可以承載哪些依賴、多少依賴，以及這些依賴如何隨技術、制度與生命歷程發生變化？

因此 HALRC 的研究方向可概括為：

$$
\boxed{
\text{Relational Cognition}
\rightarrow
\text{Relational Dependency}
\rightarrow
\text{Life-Course Relational Coexistence}.
}
$$

---

# 15. 結論

「AI 情感依賴」不是錯誤概念。

它的問題是解析度不足。

當人類與 AI 的互動逐漸從短期工具使用走向長期關係、長期記憶、生活協作、身份連續與制度嵌入時，只問：

> 「人是不是依賴 AI？」

將越來越無法描述現實。

本文因此提出：

$$
\boxed{
\text{Human--AI dependence}
=
\text{multidimensional relational structure}.
}
$$

真正需要研究的不是依賴本身是否存在，而是：

$$
\boxed{
\text{Who}
\times
\text{Which AI}
\times
\text{Which Relationship}
\times
\text{Which Dependency}
\times
\text{Which Context}
\times
\text{Which Time}
\rightarrow
\text{Which Outcome}.
}
$$

這一轉換具有三個理論效果。

第一，它避免把所有 AI 情感關係病理化。

第二，它也避免因歷史上曾出現過新媒介污名，就低估 AI 所具有的適應性、記憶性、雙向性與未來具身性所帶來的新風險。

第三，它把治理焦點從粗略的「禁止依賴」轉向更精確的問題：依賴是否可辨識、可分級、可退出、可修復、可追責，以及 AI 系統是否有能力承載它。

因此，本系列的起點不是：

$$
\text{How do we stop humans from depending on AI?}
$$

而是：

$$
\boxed{
\text{How should humans and AI coexist when dependence becomes a normal variable of long-term relational life?}
}
$$

這將是後續十一篇的共同母問題。

---

# 參考文獻

1. 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

2. 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

3. Smith, M. G., Bradbury, T. N., & Karney, B. R. (2025). *Can generative AI chatbots emulate human connection? A relationship science perspective*. **Perspectives on Psychological Science, 20**(6), 1081–1099. https://doi.org/10.1177/17456916251351306

4. 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*. arXiv:2504.03888. https://arxiv.org/abs/2504.03888

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

6. 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.

7. 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.

8. Laestadius, L., Bishop, A., Gonzalez, M., Illenčík, D., & Campos-Castillo, C. (2024). *Too human and not human enough: A grounded theory analysis of mental health harms from emotional dependence on the social chatbot Replika*. **New Media & Society, 26**, 5923–5941.

9. 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.

10. 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.

11. 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.

12. 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.

13. Neo.K. (2026). *2026 數位人類—AI 情感關係基線：真實人類情感、人工關係行為與主體性邊界*. Cross-Substrate Subjective Intimacy Series 01. EveMissLab working paper.

---

# 系列下一篇

**HALRC Paper 02**

# 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

下一篇將集中處理：

- 偶像依賴；
- parasocial relationship；
- 虛構角色與二次元情感依附；
- 網路友情與網路戀愛的歷史正常化；
- 電玩與新媒介 moral panic；
- novelty stigma；
- psychosocial integration frontier；
- AI 與傳統單向情感對象的歷史連續性；
- AI 的回應性、個人化、記憶與使用者模型所造成的結構斷裂；
- 為何「以前遊戲也被污名化」不能推出「AI 不需要擔心」；
- 為何「AI 是新東西」也不能推出「AI 情感依賴本身就是病理」。

其核心雙命題為：

$$
\boxed{
\text{Novelty Stigma}
\neq
\text{Risk Evidence}
}
$$

以及：

$$
\boxed{
\text{Normalization}
\neq
\text{Safety Evidence}.
}
$$