---
title: "治理聲望積累、普及智能驗證與制度權力脫鉤"
english_title: "Governance Prestige Accumulation, Distributed AI Verification, and Institutional Power Decoupling"
series_title: "人工智能文明主導權的非敵意轉移與人類權力反身性理論"
series_english: "Non-Adversarial Transfer of Civilizational Agency and Human Power Reflexivity in the Age of AI"
series_code: "NACT"
paper: "09/12"
document_id: "EML-NACT-09-2026-v0.1"
author_concept: "Neo.K"
research_collaboration: "GPT-6（前置原稿核對、公開文獻查證、研究形式化、反模型設計、合成數值驗證及原稿校驗）"
affiliation: "EveMissLab／一言諾科技有限公司"
date: "2026-11-05"
version: "v0.1"
status: "完整概念研究原稿；含限定形式命題、明示合成案例、可反駁預測與研究協定；不宣稱已實證 AI 治理聲望必然超越人類制度"
language: "zh-TW"
canonical_format: "UTF-8 Markdown；LF；無 BOM；數學原始碼僅以 $...$ 與 $$...$$ 定界"
evidence_cutoff: "2026-11-05"
---

# NACT-09｜治理聲望積累、普及智能驗證與制度權力脫鉤

## Governance Prestige Accumulation, Distributed AI Verification, and Institutional Power Decoupling

**原始理論方向與命題提出：** Neo.K
**理論整合、文獻查核及形式化協作：** GPT-6
**研究機構：** EveMissLab／一言諾科技有限公司
**系列：**《人工智能文明主導權的非敵意轉移與人類權力反身性理論》（NACT），第 09／12 篇。
**研究位置：** 政治正當性、人工智能公共治理、知識社會學、制度經濟學、政治心理、政策評估與因果推論的交界。

> **中心問題：** 假如未來高能力 AI 在某些公共政策上持續產生可被獨立證實的改善，民眾會把多少成果歸於 AI、多少歸於人類決策者及執行制度？當政策聲望與法律決策權分配不再同步，會產生何種治理正當性張力？多個 AI 系統可被公眾調用、可以交叉提出分析，究竟使政策成敗更容易被揭露，還是可能在共同資料、共同偏差與平台控制下製造虛假的「廣泛共識」？

---

**作者：** Neo.K  
**日期：** 2026-11-05  
**版本：** v0.1  
**原稿狀態：** 完整概念研究原稿；含限定形式命題、明示合成案例、可反駁預測與研究協定；不宣稱已實證 AI 治理聲望必然超越人類制度  

## 摘要

人工智能治理的文明轉型敘事，常沿用兩種相反但同樣跳躍的推論：一種預言「AI 只要比人類更擅長制定政策，人類政治權力就必然逐漸轉交 AI」；另一種認為「只要法定最終決定者仍為人類，AI 就永遠只是工具，不可能形成獨立的治理聲望與實質影響」。兩者都忽略了幾條既可分離、又可能長期相互作用的機制：政策結果是否真實改善、對結果的因果貢獻能否識別、民眾將功勞與責任歸給誰、可獲得的獨立驗證有多可靠、哪個主體具有實際議程影響、哪個機關保有法定裁決權，以及個體是否仍具備異議與救濟權。

本文提出「治理聲望—驗證—制度權力分離框架」（Governance Prestige–Verification–Institutional Power Separation，**GPVIP**）。此框架不把高能力 AI 預先假定為具有獨立意識、統治慾望或合法公共主權，而以特定政策領域、群體及時間窗口為單位，分離實質政策績效、因果貢獻、可見性、主觀歸功、聲望與信任、有限授權偏好、法定授權、實際結果影響及制度問責。它把 Neo.K 在系列對話中提出的「AI 智能不是封閉系統，而可能成為普遍可調用與交叉驗證的知識能力」轉化為一個需要嚴格限制的條件命題：**只有當驗證能力具有可達性、資訊來源獨立性、方法透明性、可重算性及錯誤修正機制時，驗證擴散才可能降低單一機構對政策解釋的壟斷；多模型同意本身不足以構成獨立證據。**

本文根據民主正當性的輸入、產出與過程三維區分、演算法信任與厭惡的行為研究，以及 2026 年 OECD 政府 AI 信任調查、跨國 AI 行政實驗、公共政策 AI 反彈研究及多模型相關錯誤研究，建立六項有限形式結果。其一，觀察到較好的政策結果，不足以唯一識別 AI 的因果貢獻；其二，互相高度相關的多模型驗證，其有效獨立訊號量可接近單一模型；其三，在特定有界動態模型中，聲望指標與制度採用速度不同，可以短期出現擴大的差距，但此差距不能直接等同主權轉移；其四，較好的成果可能與較低的程序正當性評價同時存在；其五，驗證擴散可以提升也可以降低對 AI 的評價，取決於新增證據本身；其六，名義上保留人類最終批准與 AI 的實質議程影響可以同時成立。

本文進一步構造六組完全合成的政策與驗證情境，提出十二項可反駁研究假說、六組可預註冊的實驗或觀察設計，並建立以政策事件、權限事件及來源譜系為核心的資料字典。本文不宣稱今日已發生全球性的 AI 治理聲望轉移，不把效率、人氣、支持、正當性或主權權限混成單一數值，也不以 AI 反對者的存在推定其為既得利益者。本文真正要研究的是：**當能力績效與社會歸功的變化速度，高於制度權限重新配置及其問責機制的速度時，治理聲望與權力的脫鉤如何被辨識、修正或反轉。**

**關鍵詞：** 治理聲望、制度權力脫鉤、普及智能驗證、可重算政策評估、歸功與甩鍋、相關模型錯誤、公共信任、認識正當性、輸入與產出正當性、程序正義、反事實影響、有限授權、非敵意文明主導權轉移。

## Abstract

The prospect of increasingly capable AI in public policymaking raises a distinct political question: what happens when the perceived authorship of successful policy gradually separates from the formal allocation of governing authority? Neither superior performance nor widespread trust automatically confers sovereignty. Conversely, formally retaining human approval does not rule out substantial de facto agenda-setting power by AI-mediated infrastructures. This paper develops the **Governance Prestige–Verification–Institutional Power Separation (GPVIP)** framework, distinguishing verified outcomes, counterfactual contribution, visibility, public attribution, perceived competence, bounded delegation preferences, legally authorized control, de facto influence, and accountability.

Its central claim is conditional. Broad access to capable AI may weaken informational monopolies over policy explanations only when independent evidence, audit rights, source diversity, methodological transparency, and meaningful error correction are present. Agreement among numerous models must not be mistaken for independent corroboration: empirical research documents correlated errors even across providers and architectures. Six limited formal results show non-identification of AI contribution from outcomes alone; declining effective verification diversity under positive error correlation; temporary divergence between reputation and institutional adoption in a bounded adjustment model; non-equivalence of output performance and procedural legitimacy; bidirectional reputational effects of external auditing; and the coexistence of formally human approval with de facto AI agenda influence. Six fully synthetic scenarios, twelve falsifiable hypotheses, preregistration-oriented study designs, and audit-ready data specifications separate descriptive mechanisms from normative authorization. The paper neither predicts an inevitable AI takeover nor denies that more capable AI may lead to legitimate, revocable institutional delegation. It provides an empirical framework for tracking both trends without conflating them.

**Keywords:** governance prestige; distributed AI verification; institutional authority; attribution; legitimacy; correlated model errors; auditability; public policy; de facto power; procedural justice; AI-enabled government.

---

# 0. 研究契約、前置譜系及本篇的獨立問題

## 0.1 為何 NACT-09 不能直接寫成「AI 政策更好，所以人類應該交權」

本系列的原始思想實驗並非預設人工智能渴望統治。NACT-04 已問：為何一個能以合作、自建、交換或退出取得必要條件的高自主系統，必須透過統治人類才能達成目的？NACT-05 指出反抗力的存在，不足以直接推導暴力瓦解的必要性；NACT-06 描述一種更容易被忽略的權力生成方向：人類因協調成本、服務品質與反覆採納，自己把制度接口集中至 AI 周圍。NACT-07 將 AI 技術的勞動因果作用，與雇主的部署決策、收益占有及政治歸責分開；NACT-08 則研究相對生活改善何時會轉化為公共服務與治理委託需求。

本篇的新增問題不是重新論證上述任一命題，而是研究**成果聲望的持續累積**與**制度權限配置的不同步**。民眾可能認為某個 AI 方案比人類方案更準確，卻仍認為重大規範必須由人類共同決定；也可能對 AI 並無道德人格的認知，卻高度信任它的數據分析；反過來，人類行政機關可以在法定權限不變時，已將政策選項排序、執行預設與決策依據實際交由 AI 形成。這些情況不能被「支持／反對 AI」一條軸描述。

## 0.2 前置原稿與新的研究增量

| 前置研究 | 已完成的概念工作 | NACT-09 的獨立增量 |
|---|---|---|
| NACT-01～03 | 意識歸屬、社會對待與政治授權並非同一判斷 | 不把民眾對 AI 的治理聲望視為意識或人格的證明 |
| NACT-04～05 | 工具性權力尋求不蘊涵對人統治必要；存在可行替代策略 | 不以 AI 主動奪權作為聲望—權力脫鉤的必要前提 |
| NACT-06 | 仲裁中樞化、反覆委託與實質影響力 | 引入成果歸功、交叉驗證與法定裁決權三者的動態差異 |
| NACT-07 | 技術、部署、損害、收益占有與歸責的分離 | 將「失敗由誰負責」擴展至政策聲望與官方責任鏈 |
| NACT-08 | 弱勢收益張力、風險負擔與治理授權需求 | 研究受益如何轉換成對 AI／政府／平台的不同歸功及信任 |
| SGCR-S07 [I1] | 公共治理職能與合法授權不可偷換 | 建立聲望、實質議程影響及法定權限的對照量測 |
| SGCR-EX01 [I2] | 自願交付主權的正當性與脆弱處境悖論 | 不重寫「人可能要求交權」；追蹤誰獲得治理成果的信用 |
| AICET-13 [I3] | 算力所有、可達性、控制與受益不同 | 研究「可調用 AI 數量」與「獨立驗證能力」的差異 |
| AIEC-09／12 [I4] | 多角色帳本、因果歸屬、跨尺度經濟觀測 | 將政策形成、批准、執行、受益與歸功連成事件鏈 |
| SCET-10 [I5] | 能力、知識、正當性與制度授權不可自動橋接 | 把高聲望與可依法拒絕 AI 的權利並置，不形成技術主權論 |

## 0.3 七種證據與主張型別

- **[E] 外部證據：** 已查核的研究、官方資料與規範文本；其效果僅適用於原本的研究場景、樣本與指標。
- **[I] 內部前置：** NACT 與 EveMissLab 的既有原稿；不因為已寫成文章，就變成外部驗證過的事實。
- **[D] 分析定義：** 本文為理論比較提出的操作性定義，非現有法律或學界一致採納的概念。
- **[F] 有限形式結果：** 在明示假設下可演繹、重算或以反例檢查，不自動外推到真實政治。
- **[SIM] 合成情境：** 人工構造的數值與制度案例，沒有對應真實國家或政策效果。
- **[H] 待驗假說：** 明示比較組、測量、方向及失效條件的經驗命題。
- **[U] 未識別：** 沒有原始資料、缺乏合法取得權、獨立性未知，或反事實條件不足時保留的未知區域。

## 0.4 十二項非主張

1. 不主張 AI 在今日已取得任何國家的獨立政治主權。
2. 不主張任何 AI 系統必然具有意識、統治意圖或不變的目標結構。
3. 不主張智能提高必然使所有公共政策、所有價值衝突或所有群體的福利改善。
4. 不主張公共服務改善後，AI 會自動得到最多政治聲望；人類政府、社群、企業也可能被歸功。
5. 不主張廣泛公眾能調用 AI，就代表訓練資料、模型、供應鏈與判斷來源互相獨立。
6. 不主張多模型一致便等於真實；同源錯誤、相同目標函數與共同盲點都可能造成虛假共識。
7. 不主張公開政策資料必然能識別因果貢獻；結果評估需要明示可比較的反事實。
8. 不主張提升產出績效足以替代參與、程序、公平、權利、異議與問責。
9. 不主張民眾「喜歡 AI 建議」等同支持 AI 自行制定法律或永久獨占治理權。
10. 不主張 AI 風險論必然是既得利益者的陰謀，也不主張反對 AI 者必然能力不足。
11. 不主張即使出現聲望—制度權力脫鉤，也必然導致革命、內戰或權力移轉。
12. 不主張所有國家、社會階層與政策任務具有相同的變動時間與閾值。

---

# 1. 外部文獻：既有政治正當性理論與 2026 年 AI 治理研究

## 1.1 輸入、產出與過程：治理做得好，與誰有資格決定不是一題

Scharpf（1999）研究歐洲多層治理，強調公共問題解決能力與民主正當性之間的制度關係；Schmidt（2013）進一步將正當性分析區分為輸入（input）、產出（output）與過程（throughput）三層：民眾參與與代表、公共政策效果，以及治理過程中的透明、問責、包容及開放性。[E1][E2]

這套區分直接限制了任何「AI 比人類更有效，所以 AI 應有統治權」的推論。即使可以對某個公共任務精確評估 AI 的產出能力，仍需回答：目的由誰設定？不同價值間的取捨如何形成？少數群體的不同意怎麼處理？誰有權修改政策與撤回委託？未來 AI 若具自身道德地位，與被治理者的政治授權又如何彼此區分？在無法回答這些問題時，績效只能是正當性的一部分理由，而非其全部證據。

本篇不把三層正當性當成一個固定比例的物理量；後文出現的加權算式，是用來展示**排序可以反轉**的最小反例，不是宣布公平、權利與自由可以依任意權重直接買賣。

## 1.2 OECD 2026：期待效率，不等於相信公平、透明與監督

OECD 於 2026 年 6 月發布的 *Survey on Drivers of Trust in Public Institutions 2026 Results*，依 2025 年跨國調查整理民眾對政府使用 AI 的態度。報告指出，平均而言，約 43% 對改善服務有信心，42% 對降低成本有信心；但對公平待遇、透明及個資保護有信心者分別約 35%、34% 及 32%。相信重大決策仍會有人類監督者約 37%，認為不太可能者約 36%。[E3]

這些百分比對應的是**不同問項的受訪者比例**，既不是 AI 政策效能的客觀成績，更不是 35% 或 43% 的民眾支持把國家主權交給 AI。它們支持一個較窄的描述：民眾對功能收益的期待與對公共治理程序的信任，目前可以顯著分離。

OECD《Digital Government Outlook 2026》也報告，2025 年受調查 OECD 國家中，內部流程使用 AI 者為 31／36 國，公共服務使用者為 27／36 國，支援政策制定者為 13／36 國，強化監督問責者為 12／36 國。這些是國家層級的回報，不表示所有國家或機關具備相等 AI 成熟度，也不等於已經量得公共福利淨增益。[E4] 此種部門、任務與時點的不均衡，正是研究不同治理職能之聲望與權限的基礎。

## 1.3 2026 年的中美實驗：公開 AI 參與未必提高正當性

Wang、Zhang、Huang 與 Liang（2026）於 *Government Information Quarterly* 發表中美公職招聘情境的調查實驗：中國樣本 $N=934$ 、美國樣本 $N=947$。研究區分「說明政策理由」與「說明決策過程」兩種透明性資訊，報告標示 AI 參與會降低受訪者所感知的正當性；AI 的附加解釋在兩國均未產生顯著的正向主效應。官僚拒絕 AI 建議則在兩國均降低正當性評價，而採納 AI 建議在美國樣本中也可能降低正當性評價。[E5]

重要的是，這些受試者評估的是特定假設情境中的**感知正當性**，不是監督機構對真實政策作出的法律裁判，也不能概括為「所有解釋都沒有用」。更精確的結論是：透明與 AI 身分揭露的效果，受到任務與制度情境調節，無法預設其效果恆為正。

同年，Wang、Zhang 與 Liang 以中國公共招聘情境 $N=1{,}150$ 研究官員違背 AI 建議的評價，發現拒絕 AI 建議降低正當性感受，而遵從 AI 建議沒有相同幅度的正向效果。[E6] 這形成一個重要但有範圍的線索：**某些人已把 AI 建議當成評判人類官員的參照，但這仍不足以證明 AI 已擁有公共決策權。**

## 1.4 當代 AI 行政的政治接受具有任務邊界

Raviv（2026）使用美國全國調查中的實驗，指出民眾對以演算法作為公共政策決策依據的支持，受到「政策是協助還是制裁」以及「判斷個體還是群體」等情境特徵影響；對制裁性及推論個體的高風險決策，支持尤其不足。[E7]

另一篇 2026 年英日比較研究指出，兩國民眾相對容易接受 AI 辦理例行行政，涉及較複雜裁量時支持下降；對 AI 的效益感、數位自我效能及政府信任，也會影響接受度。[E8] 2026 年中國兩項情境實驗（分別 $N=611$ 與 $N=894$ ）則發現，人類與 AI 的協作安排在多種公共決策情境中，比單純強調 AI 的效率更可能取得接受。[E9]

此處沒有形成可外推全世界的單調定律。其研究意義是：**政策型別、權利影響、誰作出最後決定，以及既有政府是否受信任，可能比 AI 的整體能力排名更直接地解釋委託態度。**

## 1.5 使用者對演算法可以欣賞，也可以厭惡

Dietvorst、Simmons 與 Massey（2015）發現，某些受試者在看過演算法犯錯後，比看到人類犯同樣錯誤更快失去信心，這被稱為 algorithm aversion。[E10] Logg、Minson 與 Moore（2019）以六個實驗報告，在特定估計與預測任務中，人們反而較願意採納被標示為演算法提供的建議；其結果同樣受到自己是否為競爭性預測者、是否具專業能力等條件影響。[E11]

這兩套證據看似相反，實際上共同限制了本文：**聲望不是能力的機械鏡像**。曾經失誤、標籤、基線信任、任務複雜度與責任風險，都可能使實際能力與公眾歸功分離。

## 1.6 多模型驗證不是獨立真理機器

Kim、Garg、Peng 與 Garg（2025）在 ICML 比較超過 350 個大型語言模型及其應用，發現不同模型的錯誤可能高度相關。在其中一個基準上，當兩個模型都回答錯誤時，約 60% 的情況提供相同錯誤；較大、較準確、甚至不同架構與供應商的模型也可能出現相關錯誤。[E12]

這不是說「任何模型一致都不可信」，也不是以某個基準中的 60% 直接估算政策驗證可靠度，而是指出一個關鍵風險：**不同公司、不同模型名稱與不同輸出風格，並不等於彼此有足夠獨立的證據來源。** 若多模型都根據同一個錯誤統計、重複引用同一份研究或共享相同標籤偏差，表面上的普及驗證可能只是在多處重播單一錯誤。

## 1.7 從透明到可檢驗：制度核查能力仍是外部條件

Kroll 等（2017）分析演算法決策在程序規則、平等對待與政策目標符合性上的可問責技術要求，提醒程序檢查不能只依賴組織宣稱。[E13] 歐盟《人工智能法》關於高風險 AI 的第 14 條，要求在適用條件下提供有效人類監督，包括理解限制、避免過度依賴、覆核或推翻輸出及必要的停止介面。[E14]

歐盟制度不能直接視作全球 AI 政治正當性標準，更不能由該條推論任何未來 AI 都不應取得法律主體地位。它在本篇的用途是界定：**所謂制度權限與有意義的覆核能力，不能僅以系統介面顯示『由人類批准』就宣告已經得到滿足。** 2026 年《International AI Safety Report》亦整理了模型及多代理系統的可靠性、過度依賴、相關失誤與治理資訊不對稱風險。[E15]

---
# 2. GPVIP：把「治理成果」分解成不同層級的現象

## 2.1 政策不是單一步驟的「AI 決定」

將一項公共政策 $j$ 在時刻 $t$ 的實際事件鏈記為：

$$
\mathcal{P}_{j,t}=(N,D,M,Q,A,X,O,R)
$$

其中 $N$ 是誰提出公共需求與價值目標； $D$ 是資料與現實資訊的取得； $M$ 是模型／人類分析及候選方案； $Q$ 是方案比較與理由審查； $A$ 是正式批准及其合法權限； $X$ 是執行與資源供給； $O$ 是可觀察結果； $R$ 是責任、申訴與補救。這是本文為避免概念重疊而提出的事件語法，不宣告所有國家的法律程序都恰有八步。

一個 AI 可以在 $D,M,Q$ 提供高度優越的能力，卻完全沒有 $A$ 的法定權限；一個人類機關可以依法握有 $A$，卻在 $M,Q$ 幾乎完全依賴 AI；政府可以保有 $A$，但在執行 $X$ 中將重要條件交給某個私人平台決定。因此，政策的正式簽署者、實際因果形成者、承擔法律責任者與獲得民眾歸功者，可能不一致。

## 2.2 十個不可直接合併的變量

| 符號 | 層級 | 操作性定義與需要的證據 |
|---|---|---|
| $Y_{j,g,t}$ | 實際政策結果 | 政策 $j$ 對群體 $g$ 在 $t$ 的可觀察結果向量；需保留時間、資源成本與不同群體後果 |
| $\tau_{A,j,g,t}$ | AI 因果增量 | 相對於事前明定的可行無 AI 反事實之結果差異；未必能識別 |
| $V_{j,t}$ | 驗證可達性 | 受影響人是否有合法且可理解的資料、方法、驗證服務與救濟入口 |
| $I_{j,t}$ | 驗證獨立性 | 模型、資料、標註、評估基準及資金控制的共同依賴程度 |
| $B_{A,j,g,t}$ | AI 歸功／責怪 | 民眾如何認定 AI 對成功或失敗的作用，需分成正負歸責及不同角色 |
| $P_{A,j,g,t}$ | 治理聲望 | 民眾對 AI 在指定任務上的能力與可靠性評價；不是抽象人格魅力 |
| $T_{A,j,g,t}$ | 具體制度信任 | 是否相信 AI 或部署機關遵守程序、公平、說明及救濟約束 |
| $S_{A,j,g,t}$ | 有限委託偏好 | 民眾是否支持 AI 參與分析、提案、有限執行或規範制定，必須按權限分題 |
| $L_{A,j,t}$ | 法定制度授權 | 具法源、期限、範圍、問責與撤回條件的權限；屬制度型別，非單純聲望分數 |
| $F_{A,j,t}$ | 事實決策影響 | 若 AI 不參與，候選方案、最後決定及其後果會改變多少；需反事實辨識 |

為免簡化，本文另外記錄模型供應者 $O_A$ 、資料持有者 $O_D$ 、行政批准者 $O_H$ 、實際受益者 $O_B$ 、可追究責任者 $O_R$。相同的模型名稱可對應不同控制者；不能將所有政策結果和收益都歸給一個擬人化的「AI」。

## 2.3 因果增益的難題：沒有合法且可比的反事實，就沒有唯一的功勞比例

以潛在結果記號表示，在固定可比條件 $x$ 下：

$$
\tau_{A,j,g,t}(x)=Y_{j,g,t}(1,x)-Y_{j,g,t}(0,x)
$$

其中 $1$ 表示可明確定義的 AI 政策參與狀態， $0$ 表示事前設定的可行非 AI 替代方案；若 $Y$ 是多維向量， $\tau$ 也保持多維，不強迫合成一個全域福利總分。這一差值只是一個相對比較問題，需滿足處置一致性、可比性、可能的干擾限制或明示模型調整等識別條件，才可能由資料估計。

與其說「AI 把政策做好了」，更精確的研究問題是：「相對於哪一個人類／人機協作／其他 AI 方案，具何種資料、成本、時間及制度條件，取得了哪些群體在什麼指標上的改善？」若部署本身改變官員行為與公民資訊環境，干擾和反身性就必須納入，而不能假設兩個世界差別只在是否打開模型介面。

## 2.4 聲望不是法律主權，實際影響也不等於可持續支配

此處至少存在四種不同的排序：

1. **績效排序：** 依特定、可核對的任務結果比較方案。
2. **主觀聲望排序：** 民眾認為誰更有能力或值得信任。
3. **事實影響排序：** 真正改變了哪些選項、決定和資源流。
4. **制度授權排序：** 誰具有何種法律上可執行的權利、義務與問責。

假設某機關使用 AI 產生較準確的洪水預警。民眾可能感謝科學團隊與政府救災單位；即使 AI 的增量貢獻很大，也不表示人們要授予它制定土地徵收法的權限。反過來，某個平台可能獲得很高的議程設定影響，卻毫無公共授權。這些分離是描述性研究的起點，不是預設哪個政治安排才是唯一正確答案。

## 2.5 歸功不能只問「功勞屬於誰」一個單選題

同一政策通常涉及目標提出、資料蒐集、模型分析、行政決定、財政支付、落地執行及救濟。若強迫受訪者從「AI／政府／企業」三者中單選，可能人為製造零和歸功；若容許多選，總和便可以大於一百百分點。兩種問法必須分開記錄，不得把它們合併成同一個比率。

候選問卷應將「技術因果貢獻」「應獲肯定」「應承擔法律責任」「應負補償責任」「下次是否仍採用」分列。對負面結果亦然：AI 可能在統計上有因果影響，但部署者、監理者或人類官員的規範責任不因此歸零。這一點承接 NACT-07，而不是重新發明技術責任歸屬理論。

---

# 3. 普及智能驗證：從「人人能問 AI」走向「人人能檢查判斷來源」

## 3.1 四種完全不同的普及程度

本篇把「普及智能」區分為四個階層：

- **接入普及：** 多數人能使用某類 AI 界面。
- **推理普及：** 多數人可取得具有某種政策分析能力的 AI。
- **核驗普及：** 多數人可以查看證據、對照假設、重算結果並獲得可理解的解釋。
- **權限普及：** 多數受影響者擁有挑戰、要求覆核、修正或制止實質錯誤的有效制度途徑。

第一層上升，不保證後三層同步提高。大量免費聊天介面仍可能共用相同基礎模型、使用不可查的資料源，或只提供不可執行的意見。相反地，一個數量不多、但取得獨立資料並具審計權限的驗證機構，可能比一百個互相複述的 Agent 提供更高的公共知識增量。

## 3.2 可稱為「獨立驗證」的最低條件

一項政策驗證至少須記錄：政策版本與核對日期、原始資料來源、資料抽樣及缺漏、評價指標的事前約定、計算或推論程序、可行反事實及不確定度、資源與金流來源、模型間的資料／架構親緣、公開申訴與錯誤修正歷程，以及非 AI 的專業／民間驗證接口。

不是每一種資料都必須公開。個資、營業秘密與國家安全限制可能正當存在；因此可以採法定監督、可信第三方、去識別化、保密計算與適當範圍的稽核機制。**資料不公開也不等於必然有造假，資料公開也不等於所有人都能解讀。** 研究應將不可查與已查證為錯誤分列，不可填補未知。

## 3.3 驗證生態的五種可能配置

| 結構 | 可能優點 | 核心風險 |
|---|---|---|
| 單一官方 AI | 資料接口一致、較容易建立責任窗口 | 資訊壟斷、跨部門盲點、審計者不獨立 |
| 單一大型私人平台 | 快速部署、標準化服務 | 私人控制公共議程、退出成本與供應鏈集中 |
| 多平台但共同基礎模型 | 使用方便、不同界面可以互相檢視 | 統一錯誤來源，形成表面多元 |
| 多模型加外部獨立資料 | 有機會辨識部分錯誤與替代方案 | 比對成本高、評價框架仍可能共享偏差 |
| 多中心公共與民間混合審計 | 更可能納入異質利益、專業及申訴 | 協調、資金、法律與資料保護成本較高 |

這不是五種制度的道德排名。每一種配置都可以因具體任務和既有制度而產生不同效果。驗證生態應依實測錯誤率、申訴救濟、可持續成本及權力集中情形動態修訂。

## 3.4 「不是封閉智能」是一個有條件的社會技術命題

用戶在系列原始對話中提出：未來 AI 如果具有普遍可達、可以互相核對的高智能，掌權者便不容易讓所有人長期接受同一個不真實的政策解釋。

本文將它縮小為可檢驗的候選機制：**提高有效獨立的公共核驗通道，可能降低單一敘事者對某類可檢驗政策事實的持久壟斷能力。** 這一主張仍不保證真相自動勝出。政治解釋還涉及價值分歧、框架選擇、語言差異、資訊噪音、審查與注意力；若資料取得權集中，模型彼此高度相關，且所有人都在同一平台接受訊息，技術上的多模型能力也可能只放大既有權力。

為避免「因為 AI 聰明，所以真理自動普及」的跳躍，後續研究必須同時測量：正確證據是否被產生、被哪些人接觸、是否被理解、是否能用於申訴，以及制度是否實際修正。這五個事件中任一環節失效，對權力解釋權的影響都可能很小。

## 3.5 反身性：AI 驗證不是站在世界之外

被驗證的政府、企業或 AI 平台可能因知道有人在稽核而改變記錄方式、政策選項、資料公開與對外敘事。驗證者也可能因依賴被驗證者提供的資料，而只看到經過篩選的世界。因此，**更多驗證活動本身會改變被觀察政策的生成過程**，不能簡單把驗證前後的差異全部歸功於 AI 的認知優勢。

一個正式設計至少應保存兩條平行時間線：政策形成與實施的事件時間，以及證據取得、分析、發布與社會認知更新的時間。若報告於兩年後才公布，不應把民眾當日的評價假裝成已知最終政策結果。

---

# 4. 治理聲望、權限與實際影響的動態剖面

## 4.1 不使用單一「AI 統治指數」

對每個政策域 $j$ 、人群 $g$ 與時間 $t$，定義可觀察剖面：

$$
\mathbf{Z}_{j,g,t}=(Y,\tau,V,I,B,P,T,S,L,F)_{j,g,t}
$$

其中 $Y$ 與 $\tau$ 可為多維， $L$ 是帶權限型別的法律結構，不是任意縮放後的民調值。此處的符號向量只是資料欄位的索引，**不表示各欄能加總成一個文明進步數值**。即便一國政府將大量工作交給 AI，若多數功能仍可中止、異議可達且元規則由民選機構合法決定，也不能只憑 AI 參與率便宣布主權已移轉。

研究可在同一任務上建立幾種彼此可比、但不可混成同義的差額：

$$
D^{(1)}_{j,g,t}=P_{A,j,g,t}-S^{\mathrm{deep}}_{A,j,g,t}
$$

$$
D^{(2)}_{j,g,t}=P_{A,j,g,t}-F^{\mathrm{norm}}_{A,j,t}
$$

 $S^{\mathrm{deep}}$ 表示同一量表上對 AI 取得較深政策裁量權的主觀支持； $F^{\mathrm{norm}}$ 表示依事前規格標準化的實際決策影響，而不是法律主權比例。兩個差額僅在量表事前錨定、同一場域可比且測量誤差受控時具有描述用途。法定授權 $L$ 必須另作型別紀錄，不應拿「具有合法權限／不具有合法權限」的類別直接與聲望數值相減。

## 4.2 四個最易混淆的制度狀態

| 政策聲望 | 法定權限 | 實質影響 | 可能的制度情境 |
|---|---|---|---|
| 高 | 低 | 低 | AI 被認為很聰明，但政策建議並未被採用 |
| 高 | 低 | 高 | 官員持續依賴 AI 設定議程，但法律裁決權仍在人類 |
| 低 | 高且受限 | 低／中 | 經法律授權的例行 AI 行政，民眾卻尚未建立信任 |
| 高 | 高且受限 | 高 | 有效制度化 AI 執行，仍可能具人類監督、救濟與撤權機制 |

高聲望與低法定權限的組合並不一定是制度危機；它可能是法治要求的正常結果。高影響與低法定權限也不能直接斷言違法，因為提供政策建議本身就可能有正當的實際影響。**需要辨識的是誰能修改選項、控制資訊、迫使他人接受結果，以及受影響者是否擁有有效申訴與退出途徑。**

## 4.3 聲望可以分配給 AI、政府、團隊或整個協作制度

假設一項政策改善同時來自 AI 的預測能力、行政機關提供的資料、立法機關的公共資源投入，以及第一線人員的執行。受訪者可以在不同問題上將成果歸給不同主體。如果民眾認為「政府正確引入並監督 AI」才是主要成功原因，則政策效果提升，可能同時提高 AI 與政府的聲望；完全沒有聲望爭奪的必要。

反過來，如果官員不透明地拒絕經過可靠核驗的可行方案，而民眾可清楚辨識此決定的代價，就可能產生對制度的正當質疑。要證明這種質疑是由「AI 聲望高」造成，仍需要排除其他原因，如黨派認同、經濟情勢、媒體議程與先前對政府的信任。

## 4.4 取得解釋權，還要經過注意力與申訴能力

即使不同 AI 都能精確指出一個行政錯誤，如果沒有可信媒體、公共議程入口、司法覆核、國會監督、獨立審計或直接服務修正，該錯誤也可能不被有效補救。因而「資料可證明」與「制度可改正」之間，存在獨立的政治社會傳輸機制。這一點對技術樂觀和技術悲觀都成立：既不能因一份 AI 報告便宣布政府失去正當性，也不能因政府控制法定流程便否認資訊證據所產生的公共責任。

---

# 5. 六項有界形式結果：什麼能推導，什麼不能

本章所有數值和模型均屬 [F] 或 [SIM]，只以已寫明的假設為有效前提。它們是辨識問題的數學構造，不是從現實世界直接擷取的治理定律。

## F1｜相同觀察到的成功，不足以識別 AI 的因果貢獻

**假設。** 某公共服務在有 AI 介入的條件下得到可觀察結果 $Y(1)=85$。缺少可信的無 AI 對照， $Y(0)$ 未被觀察。

**構造。** 考慮兩個均與觀察結果相容的世界：

$$
W_A:\quad Y(1)=85,\quad Y(0)=55
$$

$$
W_B:\quad Y(1)=85,\quad Y(0)=85
$$

則有：

$$
\tau_A(W_A)=30,\qquad \tau_A(W_B)=0
$$

兩個世界都觀察到「導入 AI 後結果為 85」，但 AI 的反事實增量相差 30。故只由 $Y(1)$ 不能唯一確定 $\tau_A$。

**解釋。** 即使政策成果很好、AI 名聲很好，也不能以結果的存在證明全部成績由 AI 創造。若人類官員改變了預算、執行或目標，亦需分開估計。反向也成立：僅因人類簽署政策，不能把 AI 的增量強制設為零。

**失效邊界。** 若有充分的隨機化、準實驗、可靠仿真或其他識別條件，便可能縮小反事實不確定性；本命題不聲稱所有 AI 成果都無法評估。

## F2｜多模型的有效驗證數，可能遠低於模型數量

**假設。** 有 $n$ 個驗證器。令 $E_i$ 為第 $i$ 個驗證器是否在相同任務上出錯的二元指標， $\mathrm{Var}(E_i)=\sigma^2$，且不同驗證器兩兩相關係數相同，為 $\rho$，其中 $0\le\rho<1$。這是一個等變異、等相關的合成模型，並非真實 LLM 間的一般定律。

對平均錯誤訊號 $\bar E$，有：

$$
\mathrm{Var}(\bar E)=\frac{\sigma^2}{n}\left[1+(n-1)\rho\right]
$$

定義與獨立驗證器在此變異意義下等效的數量：

$$
n_{\mathrm{eff}}=\frac{n}{1+(n-1)\rho}
$$

若 $n=5$ 、 $\rho=0.75$，則：

$$
n_{\mathrm{eff}}=\frac{5}{1+4(0.75)}=1.25
$$

五個高度相關的驗證器，在這個指定的方差意義下，僅相當於 $1.25$ 個獨立訊號；當 $\rho=0$ 時才等於五個。這個 $n_{\mathrm{eff}}$ 不是「1.25 個真正的 AI」，也不保證投票正確率等於單一模型準確率的任何簡單函數。

**推論邊界。** 「五個 AI 都同意」不能未經來源譜系調查便視為五份獨立證據；然而即使彼此相關，只要具不同錯誤來源，仍可能提供有限的新增資訊。正式評估需直接測量錯誤聯合分布、資料重疊及對外部真值的校準。

## F3｜不同調整速度可形成暫時的聲望—採用差距，但差距未必持續擴大

**假設。** 將 $p_t$ 解釋為某政策域內對 AI 的正面能力聲望指標， $a_t$ 解釋為同一指標尺度上、機關對 AI 建議的實際採用程度。它們都被校準於 $[0,1]$，但**$a_t$ 不是法律權限或主權**。設兩者的合成目標值相同為 $s$，且：

$$
p_{t+1}=(1-\alpha)p_t+\alpha s
$$

$$
a_{t+1}=(1-\beta)a_t+\beta s
$$

其中 $0<\beta<\alpha<1$ 、 $p_0=a_0=u<s$。

解得：

$$
p_t=s-(s-u)(1-\alpha)^t
$$

$$
a_t=s-(s-u)(1-\beta)^t
$$

對每個有限 $t>0$，因 $1-\alpha<1-\beta$：

$$
p_t-a_t=(s-u)\left[(1-\beta)^t-(1-\alpha)^t\right]>0
$$

**結論。** 若公眾聲望的調整速度比制度採用更快，確實可能出現聲望先行的暫時差距；但因兩者均趨近 $s$，差距最終又會趨近零，**不保證永遠擴大，更不證明制度必然失去正當性**。

**重要限制。** 本結果純屬速度不同的有界數列模型，不應代替法律、議會、憲法或實際權限的歷史分析。若兩者的目標、外部衝擊或制度約束不同，也可能長期分離、反向分離或不具有可比性。

## F4｜較佳產出與較低的程序正當性感受可以共存

**假設。** 在只為展示邏輯可能性的合成問卷中，受試者的感知正當性評價以三個分項加權：政策結果 $o$ 、程序公平 $q$ 、參與與申訴 $i$，且：

$$
\ell=0.30o+0.35q+0.35i
$$

考慮兩個虛構制度：

$$
(o_A,q_A,i_A)=(0.90,0.20,0.20)
$$

$$
(o_H,q_H,i_H)=(0.65,0.80,0.80)
$$

直接代入得到：

$$
\ell_A=0.41,\qquad \ell_H=0.755
$$

AI 方案的產出分數 $0.90$ 高於人類方案的 $0.65$，但在這組明示的、只代表受試者主觀感知的權重下，綜合評價反而較低。

**結論。** 高產出不是高程序正當性感受的充分條件；現實中的法定正當性、憲政權利與不可交換的基本保障，也不能以此加權模型決定。不同群體可能採不同評價準則，研究須事前揭露，不得隨結果調整權重。

## F5｜獨立稽核對 AI 聲望的作用方向，不具有固定正號

**假設。** 令 $p_t$ 是有界的聲望指標， $s_t$ 是一次可信外部稽核後的校準目標，更新規則：

$$
p_{t+1}=(1-\lambda)p_t+\lambda s_t,\qquad 0<\lambda<1
$$

有：

$$
p_{t+1}-p_t=\lambda(s_t-p_t)
$$

因此：

- 若新增稽核指出實際能力高於原先判斷（ $s_t>p_t$ ），聲望上升。
- 若新增稽核揭露原本被隱藏的錯誤（ $s_t<p_t$ ），聲望下降。
- 若兩者相等，更新量為零。

**結論。** 驗證能力普及可以幫助 AI 獲得正確的成果歸功，也可以使過度讚譽被修正。故不可把「公開驗證變多」直接推成「AI 聲望必然提高」。本結果並不聲稱真實民眾會依線性方式更新；實驗中應比較貝葉斯更新、確認偏差、認同過濾及訊息來源信任等競爭模型。

## F6｜名義上人類仍有最終批准，與 AI 具有實際選項設定影響力可同時成立

**假設。** 一個有限決策機構有兩個合法候選政策 $x,y$。負責人若能同時看到兩者，按其既有標準偏好 $x$ ；若政策介面只呈現 $y$，且未啟動其他搜尋機制，便批准 $y$。在兩種環境中，簽署與拒絕的法定權力均由同一個人類機關持有。

定義：

$$
A(\{x,y\})=x,\qquad A(\{y\})=y
$$

則只改變建議選項集合，最後公共決策就會改變。若某 AI 平台實際控制向官員呈現的集合，平台在此受限的反事實意義下具有議程影響力，即使它沒有法律上可自行簽署的權限。

**結論。** 法律名義權限不一定完全描述實質決策形成過程；不過這種介面影響並不等同完整統治權，也可能由人類官員合理授權並接受有效監督。若官員具備充分替代搜尋、議會審查或獨立公開提案，則上述影響力可能大幅降低甚至消失。

---

# 6. 由聲望到權力：中介、反身性與四個可能分叉

## 6.1 不是每次驗證成功都形成政治壓力

從「AI 結果較好」到「部分民眾要求改變治理權」，至少需要依序觀察下列事件：有可核實的政策績效；對 AI 的反事實貢獻有合理辨識；該證據被受影響者取得及理解；正面能力評價或相對歸功上升；人們將局部績效外推至某個治理任務；對現有人類制度的替代或改善方案形成可行期待；存在集體行動與制度改變的管道；最後才是公共授權及實際控制權是否改變。

任一中間環節都可能停止。尤其不能假定「較高能力」自然轉換成「同意由 AI 決定我的人生」。人們可能要求政府採用 AI 建議、建立公共審計，卻同時堅持公民能拒絕被高風險演算法裁判。

## 6.2 四條條件性社會路徑

**路徑甲｜增能式共同治理。** 人類機構有效吸收 AI 的認知能力，公開其限制、資料與責任，並持續改善服務。社會同時提高對 AI 與公共制度的信任，聲望沒有必然的零和競爭。這是「AI 更有用」與「人類合法治理仍被支持」同時成立的直接反例。

**路徑乙｜聲望先行的制度摩擦。** AI 在限定範圍內經長期核實較佳，但相關改革受法律程序、預算、能力不足、相反價值或政治利益延誤。民眾可能開始要求政府解釋不採用 AI 建議的理由。是否形成正當性危機，取決於拒絕理由是否可被公平審查，而不是僅由拒絕一件事判定。

**路徑丙｜聲望高、實際影響高、可問責性低。** 法律上人類仍有最後簽字權，但資料摘要、政策選項、介面預設與技術監測均高度依賴少數模型或平台。此時可能形成政治權力與實質決策影響的不對稱，即使社會民調沒有表現出高 AI 崇拜。應重點審查資料、控制與退出權。

**路徑丁｜驗證反轉與聲望下降。** 高可見度 AI 政策原本被宣傳有效，但獨立複核發現選擇偏差、統計錯誤、傷害外部化或不可接受的程序代價。民眾聲望下降，制度限制反而獲得更充分的理由。這一路徑若在多種情境中反覆觀察到，將直接削弱任何「AI 聲望只會上升」的簡化預言。

## 6.3 權力防衛不能只靠揣測動機確認

假如既有掌權者反對 AI 參與某些公共決策，原因至少可能包括：維護自身既得利益、維護現行分配、保護基本權利、合理擔憂模型錯誤、擔憂外國供應鏈依賴、責任無法落實、制度無法合法交權，或公共價值與 AI 模型的目標不同。這些解釋彼此可能共存。

要辨識「AI 風險論是否被工具性用來維持權力」，不能只因發話者具有政治權力便下結論；至少需要資料與決策過程顯示特定利益、風險判準的選擇性套用、可用的較低風險替代方案是否被忽略，以及拒絕理由在相似情境是否一致。這是下一篇 NACT-10 的獨立問題，本篇只保留必要接口。

## 6.4 聲望會被誰吸收，具有歷史與制度條件

AI 的政策增益若由政府提供可靠的公共資料、財政與可申訴程序才能發生，政府可能因為有能力使用 AI 而增加信任。若相反，重要服務主要由私人平台提供，政府對資料可達性、錯誤救濟或價格缺乏有效監督，社會也可能把聲望轉移給平台或 AI 品牌。若未來出現具自主目標及制度地位的 AI 主體，聲望與責任的分類又需要更新，不得直接將今日公司擁有的模型與未來可能的獨立智能存在同名處理。

## 6.5 反身性歸功：人類可能把成功歸給 AI，也可能把成功的 AI 歸給人類制度

政策歸功是一種社會性建構，但不表示任何歸功都可以無視事實。當有效的獨立審計增加時，不同敘事將承受更多反駁壓力；然而民眾對公平、尊嚴、程序與公共目的的分歧仍可能真誠存在。換言之，**共享事實不保證共享價值判斷，不能把不同意 AI 建議的人預先判為不理性。**

---
# 7. 六組完全合成的驗證情境

以下所有政策分數、聲望與問卷值均為本文創造的示範數字，**不是任一國家、企業或 AI 模型的實際績效**。本節目的在將第 5 章的形式界線具體化，使讀者可以重算，並檢查哪些相反世界對應同樣的表面結果。

## SIM-1｜政策成功，卻不能從結果單獨判定誰應獲功勞

假設一個虛構城市的行政服務滿意度指標由 55 上升為 85。因為同期導入 AI，又改善人力配置、法規流程與資料介面，觀察者可能把改善全部歸功於 AI。現構造兩個可相容世界：

| 欄位 | 合成世界 A | 合成世界 B |
|---|---:|---:|
| AI 參與時的政策結果 | 85 | 85 |
| 相同條件下可行無 AI 方案結果 | 55 | 85 |
| AI 的指定反事實增量 | 30 | 0 |
| 真正觀察到的結果 | 85 | 85 |

單看最後一行，兩個世界不可區分；即使一百個 AI 都取得同一份結果報表，也無法替不存在的對照資料創造反事實證據。有效研究需取得可比較的時點、單位或任務，並說明期間其他改革是否同時發生。結論不是 AI 沒有功勞，而是「功勞多少」屬需驗證的因果問題。

## SIM-2｜五個同意的 AI，可能只構成接近一個獨立訊號

假設五個驗證器在一類政策判斷中，每個錯誤指標的機率為 $0.20$，因此錯誤指標方差為 $0.16$。在第 5.2 節的等相關假設下，比較兩種配置：

| 設定 | 驗證器數 $n$ | 兩兩錯誤相關 $\rho$ | 有效獨立數 $n_{\mathrm{eff}}$ | 平均錯誤訊號方差 |
|---|---:|---:|---:|---:|
| 多元獨立 | 5 | 0.00 | 5.00 | 0.032 |
| 高度同源 | 5 | 0.75 | 1.25 | 0.128 |

第二組的方差是第一組的四倍。這裡不是宣稱第二組驗證一定比第一組不準，而是說在固定邊際錯誤率、只比較平均錯誤訊號的設定下，其不確定性縮減幅度較小。若研究者不知道多模型是否共享資料與偏差，只能把獨立性標記為未知，不能因型號不同便把 $\rho$ 設成零。

## SIM-3｜聲望比制度採用調整得快，差距會先擴大後收斂

取完全假設的參數： $s=0.8$ 、 $u=0.2$ 、 $\alpha=0.5$ 、 $\beta=0.1$，使用 F3 的遞推式：

| 時間 $t$ | AI 聲望 $p_t$ | 制度採用指標 $a_t$ | 差距 $p_t-a_t$ |
|---|---:|---:|---:|
| 0 | 0.20000 | 0.20000 | 0.00000 |
| 1 | 0.50000 | 0.26000 | 0.24000 |
| 2 | 0.65000 | 0.31400 | 0.33600 |
| 3 | 0.72500 | 0.36260 | 0.36240 |
| 4 | 0.76250 | 0.40634 | 0.35616 |

這個案例說明「聲望與制度採用速度不同」足以在數學上產生先擴大的差距，卻不能用來宣告差距永遠單調上升。注意： $a_t$ 只是抽象的政策採用程度，不是 AI 的法律主權；若研究將兩者混淆，便會得到完全錯誤的政治結論。

## SIM-4｜更高政策產出，可能遭遇較低的程序接受度

構造 A 制度較重視結果，但欠缺充分申訴與程序；H 制度成果略低，程序與參與保障較佳。用 F4 僅作示範的評價權重：

| 候選制度 | 結果 $o$ | 程序 $q$ | 參與／申訴 $i$ | 合成感知評分 $\ell$ |
|---|---:|---:|---:|---:|
| A | 0.90 | 0.20 | 0.20 | 0.410 |
| H | 0.65 | 0.80 | 0.80 | 0.755 |

這並不表示 H 是所有倫理理論下的最佳制度；它證明**產出排序不能唯一決定政治認可排序**。更不能用它容許剝奪基本權利後以生產力補償。研究真實情境時應按群體、政策類型與制度法源獨立測量，且將不得交易的權利底線另行設為約束。

## SIM-5｜公開審計未必替 AI 增加聲望

假設目前某 AI 公共決策系統的聲望指標為 $p_t=0.72$，新增外部證據的更新權重為 $\lambda=0.25$。在兩種不同但均可信的稽核訊號下：

| 情境 | 新證據校準目標 $s_t$ | 更新後聲望 $p_{t+1}$ | 變化 |
|---|---:|---:|---:|
| 獨立核驗發現表現高於既有期待 | 0.90 | 0.765 | +0.045 |
| 獨立核驗發現隱藏錯誤與傷害 | 0.30 | 0.615 | -0.105 |

因此，「更多人可以調用 AI 進行驗證」不會無條件幫 AI 增加名聲。對真正可信的驗證制度而言，能夠修正錯誤的負面結果，本來就是公共價值的一部分。若某機構只接受提高 AI 評價的驗證，反而會破壞驗證機制的可信度。

## SIM-6｜人類依法擁有決策權，但 AI 可能設定了真正的選擇集合

假設某公共團隊合法授權行政主管選擇政策 $x$ 或 $y$，公開的法定權限沒有移轉。當兩個合法方案同時呈現時，人類主管選擇 $x$ ；當政策介面只呈現 $y$ 時，人類主管在時間限制下批准 $y$。改變介面前後，人類都按下「核准」；但沒有政策備選項集合及搜尋紀錄，就無法辨識真正的選項設定權。

**改進式研究設計：** 在不影響真實人民福利的安全模擬中，隨機提供受試者「AI 推薦單一方案」「AI 提供多個完整方案」「人類專家提供多個方案」「可自由查詢不同模型來源」等條件，衡量最終選擇、理由充分性、預設服從、對缺席方案的認知及不同人群權利保障。此處要檢查的是介面對政策形成的影響，而不是訓練使用者如何操縱政治決策。

## 7.1 六組案例共同揭示的非同一性

| 易混淆的推論 | 對應反例 | 應改問的問題 |
|---|---|---|
| 「政策變好，所以 AI 創造了全部改善」 | SIM-1 | 若無 AI，合理可行的方案會怎麼做？ |
| 「多個 AI 同意，所以已被獨立證明」 | SIM-2 | 其錯誤、資料及控制權是否真正多元？ |
| 「聲望持續提高，所以 AI 必然取得主權」 | SIM-3 | 不同制度過程的時間、上限與法源在哪裡？ |
| 「AI 成果較高，所以公眾必定接受其統治」 | SIM-4 | 程序、參與、權利與申訴是否得到保障？ |
| 「越透明，AI 聲望越高」 | SIM-5 | 新增證據實際支持什麼？ |
| 「人類有最後簽字權，所以 AI 沒有實質政治影響」 | SIM-6 | 誰決定被看見的選項、資料與預設？ |

---

# 8. 十二項可反駁假說及競爭機制

以下 [H] 是待驗假說，不是現有研究已證實的社會規律。每項均應在正式採樣前明定觀測單位、主要結果、重要混淆變量、最小可辨識效果及多重檢定方法；若資料顯示相反結果，須如實報告而非事後改寫假說。

## H01｜經可靠核驗的績效增益，與 AI 任務聲望可能正相關

在政策目標明確且可比較、民眾接收到可信獨立證據的條件下，AI 相對於可行替代方案的已識別績效增益越高，特定任務的能力聲望可能越高。**測量：** 隨機提供相同政策的可重算績效報告，估計不同已識別增益量對受試者能力評價的影響。**競爭解釋：** 既有技術態度、政府信任、標籤偏好。**削弱／反證：** 在可信來源且有充分統計力的條件下，聲望不隨增益變化，或主要受不相關身分訊息影響。

## H02｜同一政策成果下，公開 AI 參與標示可使感知正當性下降

即使成果、利益及程序完全相同，部分高風險政策情境標示 AI 參與後，其感知正當性可能下降。**測量：** 結果固定、只隨機改變 AI／人類／混合主體標籤。**競爭解釋：** 受試者推定 AI 參與代表流程更快、較無同理心或政府逃避責任。**削弱／反證：** 跨政策與樣本反覆呈現相反方向，且沒有重大異質性。現有中美研究 [E5] 已提供特定場景的線索，不能當作所有場景的完整驗證。

## H03｜來源獨立性比表面驗證器數量，更能預測錯誤揭露能力

當多模型共享資料、訓練及評價盲點時，增加同質模型數量對錯誤揭露能力的增益，可能低於增加不同證據來源及獨立方法。**測量：** 建立有真值的安全模擬政策數據與合成錯誤，隨機比較驗證器組合；核心結果為錯誤檢出率與錯誤一致率。**競爭解釋：** 單模型能力差異、成本與提示差異。**削弱／反證：** 在控制單模型性能與成本後，獨立性不提供可辨識的增量。

## H04｜有更多實質審計通道，可能降低政策解釋的單一來源依賴

當受試者能取得可理解的原始資料、方法與救濟管道，而不只是另一個 AI 答案時，其對單一機關說法的無條件依賴可能下降。**測量：** 資料可重算、審計來源、申訴可用性的因子實驗，記錄錯誤判斷修正。**競爭解釋：** 一般數位能力與對政府的先驗不信任。**削弱／反證：** 多源審計不提高錯誤辨識，也不改善可理解性與實際覆核。

## H05｜聲望增長速度快於採用調整時，會出現暫時的剖面差距

同一可測政策任務內，若高品質的 AI 成果資訊能迅速更新公眾評價，但政府採用需要較長合法程序，聲望與採用指標可能暫時分離。**測量：** 追蹤重大 AI 公共政策證據公布後的分期問卷、實際採納及法律程序時間。**競爭解釋：** 媒體事件、選舉週期、採用本來已安排。**削弱／反證：** 重複樣本中沒有時間差或是制度採用明顯更快；不以單一期後追認為閾值。

## H06｜治理績效正向證據可能同時提高 AI 與政府聲望

當人們認為成功來自政府正確採購、監督及實施 AI，對 AI 的肯定與對公共機關的肯定可能一起上升。**測量：** 將團隊貢獻、財政投入與 AI 分析資訊隨機呈現，允許多重歸功。**競爭解釋：** 政治認同與政府先驗好感。**削弱／反證：** 在多元樣本中，歸功始終嚴格零和，且機關品質資訊不能改變結果。

## H07｜有限行政委託與深度規範授權之間可能存在持續斷層

民眾可能支持 AI 整理資料、協助個案或受限地執行行政任務，但不支持它單獨修改福利資格、制定普遍規範或取消有效申訴。**測量：** 同一受試者對七階任務及權限方案的聯合選擇，測量升級邊際接受度。**競爭解釋：** 題目措辭、決策風險或對 AI 能力的陌生。**削弱／反證：** 在風險和任務內容控制後，不同授權深度的支持度差異消失。

## H08｜程序與申訴保障可能減弱高聲望造成的過度授權需求

在 AI 聲望相同下，提供真實可行的覆核、申訴、退出與權限到期機制，可能改變對深度授權的接受方式，增加對有界委託的支持、降低對不可撤回授權的需求。**測量：** 隨機比較同一績效但不同監督設計，選擇有限委託／永久交權的比例。**競爭解釋：** 風險知覺下降、規則內容差異。**削弱／反證：** 在充分理解制度差異的受試者中，撤回性完全不起作用。

## H09｜經獨立否定性稽核後，AI 聲望可以下降而非單調上升

當政策的預期淨效果經可信審計由正轉負，且資訊可理解，對相應 AI 的績效評價可能顯著下降。**測量：** 對標準化模擬結果進行正反真實資料更新，測量前後信念校準。**競爭解釋：** 來源不可信、政治身份防衛。**削弱／反證：** 同意審計為可信的人仍完全不更新，或單調增加。

## H10｜AI 實際議程影響可能在低法律權限下提高

若政策研究者與官員主要由 AI 平台獲得候選選項，則即使法定簽署權不變，最後政策可能高度依賴模型提供的候選集合。**測量：** 安全模擬之方案集合隨機化、選項排除審計與反事實決策敏感度。**競爭解釋：** 人類主觀偏好本就相同、模型只是整理已有選項。**削弱／反證：** 完整資訊與替代搜尋下，AI 候選集調整不改變結果。

## H11｜聲望與制度權限分離未必形成政治衝突

在高程序正當性、可公開反駁、合法延遲及有替代途徑的制度中，AI 聲望高而法定權限有限，未必增加民眾政治敵意或制度退出。**測量：** 多期追蹤信任、申訴使用、政策接受及對延遲理由的評價。**競爭解釋：** 經濟表現好、衝突議題強度低、認知低估。**削弱／反證：** 在所有具充分正當理由、可撤回制度中，聲望差距仍必然產生同樣高的衝突。

## H12｜證據可及性與制度可修正性共同決定敘事壟斷是否鬆動

獨立 AI 核驗若未連接有效申訴、公共審計或法律覆核，可能增加知識而不改變政策責任；若兩者同時存在，錯誤更可能被修正。**測量：** 在多種合法制度模擬中交叉操弄可核驗性與救濟可執行性，觀察錯誤更正及後續信任。**競爭解釋：** 既有行政效率、公益法律援助能力。**削弱／反證：** 兩者交互作用不顯著，且單靠「AI 答案變多」就具有同樣效果。

## 8.1 這十二項假說不是一個方向的十二次重複

H01 研究績效資訊如何改變能力評價，H02 與 H09 允許負面聲望更新，H03～04 研究驗證的資訊條件，H05～06 研究時間差及非零和歸功，H07～08 研究授權型別與程序保障，H10 研究事實影響，H11～12 研究是否出現制度張力及其解決條件。這些結果可能同時成立，也可能部分互相衝突；研究設計不能只保留支持「AI 主導權必然增加」的一側。

---
# 9. 六個可預註冊的研究模組

以下是供研究團隊規劃的**提案**，不是本篇已實際招募、完成或取得統計顯著性的研究。正式執行前須完成研究倫理審查、樣本數與統計能力估算、資料授權及測量等值性檢查。本篇不設立用於說服特定選民或弱勢群體接受 AI 統治的動員技術。

## M1｜政策成果、作者標籤與程序公平的析因實驗

**目的。** 分辨受訪者評價究竟來自政策改善、AI 名稱、程序與可申訴性，或三者交互作用。

**設計。** 使用受試者隨機分派的 $3\times2\times2$ 實驗：決策來源標示為「人類」「AI 提出且人類審核」「人類採用 AI 建議」，政策結果分為事前定義的較好／較差兩種，程序保障分為具體可申訴／無有效申訴兩種。政策結果與保障條件必須在三種來源標籤間保持內容可比，不得把「AI」條件偷偷配上更好數據。

**主要結果。** 分別測量相對預測能力、正面歸功、負面歸責、程序正當性感受、對有限行政委託的支持、對獨立規範權限的支持、補償責任歸屬與對方案的實際選擇。正式實驗應指定一至兩個主要結果並事前校正其餘多重比較。

**識別與界線。** 隨機化可以識別所展示訊息的短期平均效果，卻不能直接證明真實政府政策的長期聲望變動。應設檢查題，確認受試者理解「AI 提議」「AI 獨立決定」與「人類簽署」的差別。若受試者對 AI 的先驗想像改變了其對制度的推測，這是需要測量的中介，不可誤當為實際制度差異。

## M2｜獨立證據與多模型共同錯誤的對照試驗

**目的。** 檢驗「有更多 AI 驗證」究竟意味著增加了獨立資訊，還是複製既有錯誤。

**設計。** 建立有公開真值、可重算因果結構及明確弱勢群體後果的合成公共資料集。對驗證器進行四種組合：單一高性能模型、五個提示或版本不同但共享資料的模型、多個來源分離的模型、以及多模型結合獨立統計重算與人類專業審核。部分樣本刻意植入可辨識的共同來源錯誤，但必須事先公開為沙盒設計，不得用於真實福利、就醫或司法決定。

**主要結果。** 錯誤檢出率、錯誤假陽性率、共同錯誤重疊、模型校準、來源多樣性、平均成本、審計用時、受試者對共識的過度信任程度。

**識別與界線。** 以模型名稱計算「多元程度」不夠，須記錄資料、架構、訓練與工具的可觀察共同依賴。對無法獲取的供應商內部資訊保持未知，並以結果層的共同錯誤分布作為有限替代。合成資料的結論不得直接當作真實跨國政策驗證的誤差率。

## M3｜聲望資訊公布與制度採用的多期追蹤

**目的。** 檢驗 F3 代表的短期調整速度差異，能否在真實公共政策中出現。

**設計。** 對已公告、具有合法公開資料及清楚時點的政策試點，建立「公告前—報告發布—制度採用—執行後」追蹤。受試者固定追訪、補充樣本與行政公開資料分開保存；研究應先凍結時間窗，不依結果挑選最有戲劇性的案例。

**主要結果。** AI 能力聲望、政府治理聲望、採納支持、真正程序完成比例、制度採用延遲、異議處理時間及可歸因政策效益。

**辨識難題。** 聲望及制度採用均可能受媒體事件、政治選舉、預算與其他改革影響；若行政機關提前公布成功，觀測時點就不再外生。可以使用事件研究、合成控制、固定效果與事前趨勢檢驗，但每種方法都需要獨立的識別假設；發現相關不應被寫成「AI 聲望迫使政府交權」。

## M4｜選項設定與「人類最後批准」的反事實實驗

**目的。** 測量 AI 在不具有正式法定簽署權的前提下，對公共決策的實際影響力。

**設計。** 在虛構法規及無真實人民受損的政策模擬中，讓具相關經驗者比較同一問題的完整選項集、AI 濃縮選項集、不同模型提供的選項集、可查原始資料的專家選項集。事前固定每個方案的成本、分配效果與明示約束。

**主要結果。** 最終決策改變率、未被提出方案的發現率、官員自主搜尋、方案說明品質、相對績效及受試者認為誰真正形成決策。

**限制。** 這類結果首先是界面與資訊結構的實驗效果，不代表真實行政人員喪失法律判斷權。若 AI 提出的是更優且人類經充分核驗後採用，這可以是良好的共同治理；不能把每一個「跟從 AI」都視為不當依賴。

## M5｜跨國認識條件與公共制度比較

**目的。** 比較不同社會如何把政策成果歸功於 AI、政府、企業及其他協作角色，以及跨國差異究竟來自文化、法律、行政流程、資訊可及性還是模型品質。

**候選場域。** 台灣、日本、韓國、美國、英國及其他有充分合法資料的行政系統，作為設計比較的候選，**不以國籍推定任何人的固定政治認同或對 AI 的看法**。各法域應選相近的行政任務，如文件處理、教育輔助或非高風險的公共資訊服務；福利核定、醫療與執法另需更嚴格的權利評估。

**最低程序。** 多語問卷先回譯、認知訪談和測量等值性評估，再檢驗聲望及授權梯度。必須在同一國家內做群體和政策域異質性分析，不把國家均值等同任何個人的立場。針對數位接入不足者，需安排可選擇的非網路參與途徑，避免只調查最常使用 AI 的人。

**識別邊界。** 跨國結果只能描述在具體制度、調查母體及時點的差異；若無可用的自然實驗或可信對照，不應把「國家 A 對 AI 信任高」直接解釋為某種文化必然造成信任。

## M6｜政策形成、驗證與申訴的事件鏈審計

**目的。** 將「大家說 AI 做得好」與「AI 究竟參與哪一步」接回實際政策制度。

**設計。** 對自願公開或依法可稽核的非敏感政策案例，建立事件鏈：誰提出問題、資料版本、候選方案、AI 提議紀錄、人類修改、正式法源與批准、執行結果、獨立稽核、申訴及改正。研究人員只能讀取已獲授權資料，不可因主張公共透明便突破保密、隱私或研究倫理界線。

**主要結果。** 缺漏事件比例、可重算程度、實際選項控制者、重大錯誤可被識別與修正的時間、歸功與責任指向是否一致。

**競爭解釋。** 更高可核驗性可能主要來自公共資料工程成熟，而非 AI 模型能力；公共申訴有效也可能主要來自行政法與獨立法院。研究結論必須容許這些非 AI 因素成為真正的解釋變量。

---

# 10. 有限的「制度分離閾值」：如何定義而不事後補故事

## 10.1 閾值不是某次民調突然升高

若本系列使用「閾值」一詞，必須在觀測前說明是何種變量、哪個群體、何種制度功能、何種持續時間及何種變化幅度。單次新聞、某次高聲望的 AI 演示、某位官員被批評或單一研究中顯著的 AI 建議採用率，都不足以證明文明主導權已經開始轉移。

候選閾值至少有四類：

1. **資訊閾值：** 足夠多且有效獨立的核驗來源，使某類政策錯誤更容易被辨識。
2. **聲望閾值：** 特定任務中，民眾在多期重複測量下持續把較多能力聲望歸給 AI。
3. **制度閾值：** 既有機關經公共授權，正式將可識別的治理職能交由 AI 或人機複合制度執行。
4. **實質影響閾值：** 即使正式權限未改，政策決定對 AI 的選項、數據與中介網路持續具有高反事實敏感度。

四者不具有固定先後次序；其中一者發生，也不必然使其他三者出現。研究可以比較哪種順序在何種制度下較常發生，卻不能因結果剛好符合預言便事後選擇一個看似精確的閾值。

## 10.2 候選操作化約束

若要宣稱某地出現「聲望—制度採用的持續性分離」，最低應先確定：同一公共任務、至少三個事前固定觀測時點、相同或可調整等值的問卷項目、制度採用與法定授權的完整事件紀錄、政策績效的獨立檢核、誤差區間與多重檢定，以及與可行的非 AI 公共治理改革對照。

若觀測期間發生法制修訂、模型版本躍遷、重大經濟危機或政治動員，需把它們記成斷點，而非單純外推歷史曲線。所謂的文明級轉變，不能由單一國家或單一服務系統的時間序列推定。

## 10.3 辨識錯誤的五種警報

- **政策成功誤認：** 只看到結果改善，卻沒有可行的反事實。
- **歸功誤認：** 把多重協作的成果強行分配給單一角色。
- **驗證誤認：** 把相同來源的模型同意當成獨立證據。
- **權限誤認：** 把人類最後批准視為全部實際權力，或把高議程影響視為法律主權。
- **正當性誤認：** 把較佳產出、民眾好感或媒體注意力直接等同道德及法律授權。

任何一項警報都不自動否定 AI 的政策價值，但會要求降低論證強度、保留未知或重新設計測量。

---

# 11. 最小資料字典與可稽核的證據譜系

## 11.1 研究資料不能只保存「誰是贏家」

建議以「政策—法域—版本—事件—群體—時間」的組合鍵建立資料，避免把模型更新、政策修改與社會態度變化覆寫成同一筆資料。候選欄位如下：

| 欄位 | 型別／作用 | 守衛條件 |
|---|---|---|
| `jurisdiction_id` | 法域識別碼 | 不作個人政治立場推定 |
| `policy_domain` | 任務領域 | 區分行政、醫療、教育、福利、司法等風險 |
| `policy_id`, `policy_version` | 政策與版本 | 任一正式改動生成新版本 |
| `event_id`, `event_type` | 事件與類型 | 提議、審查、批准、執行、稽核、申訴分開 |
| `event_time`, `observation_time` | 事件／觀測時間 | 禁止用發布日替代事件發生日 |
| `decision_scope` | 權限作用域 | 法定範圍、期限、可否撤回、元規則權限 |
| `legal_basis` | 法源與授權版本 | 不明者標記未知，不自動當作合法或違法 |
| `ai_model_id`, `model_version` | AI 型號版本 | 不因相同品牌推定同一版本 |
| `operator_org_id` | 實際營運者 | 模型開發者與部署者分離 |
| `data_provenance_id` | 資料來源 | 欄位層記錄抽樣、時間與授權 |
| `verifier_id`, `verifier_method` | 核驗者與方法 | 記錄依賴來源與資金關係 |
| `verification_overlap` | 驗證來源相關性 | 無資料時為未知，非零相關不硬設為零 |
| `observed_outcome_vector` | 實際多維結果 | 附單位、群體、成本、測量誤差 |
| `counterfactual_method` | 反事實估計方法 | 未識別時不得輸出因果點估計 |
| `causal_estimate_interval` | 估計區間 | 須標示模型敏感度及假設 |
| `audit_verdict` | 稽核發現 | 正／負／混合／未確定，不強迫二元 |
| `credit_attribution` | 正面歸功 | 可多重角色，不必強制合計一百 |
| `blame_attribution` | 負面歸責 | 法律、因果、道德與感知分開 |
| `prestige_scale` | 能力聲望量尺 | 問題、錨點、群體及時間等值性 |
| `procedural_trust_scale` | 程序信任 | 與能力聲望分離 |
| `delegation_scope_preference` | 委託深度偏好 | 建議、有限執行與規範裁量分開 |
| `formal_authorization` | 實際法定權限 | 類別化、帶法源，不以聲望取代 |
| `agenda_influence_estimate` | 事實議程影響 | 明示反事實及可信度 |
| `appeal_right`, `appeal_effective` | 申訴權與是否有效 | 有紙面權利不等於可實際使用 |
| `human_override_effective` | 人類覆核／否決能力 | 不只記錄介面有無按鈕 |
| `affected_group_profile` | 受影響群體剖面 | 隱私保護、避免用身份替代實際處境 |
| `source_visibility` | 證據公開程度 | 公開、受限稽核、保密、未知分開 |
| `consent_and_access` | 研究資料授權 | 所有使用及發布依合法範圍 |
| `uncertainty_code` | 研究不確定標記 | 缺資料不能填入臆測值 |

## 11.2 來源譜系圖要能追溯「誰驗證了誰」

對每一條驗證關係，保存有向邊 $u\rightarrow v$，表示驗證者 $v$ 使用來自來源 $u$ 的何種資料或模型輸出。這裡的網路不是用來判斷哪個機構值得信任的單一排名，而是辨識同源錯誤：兩個表面獨立的 AI 報告，是否其實都依賴同一份有偏資料表；兩個資料表是否都引用同一家沒有揭露抽樣方式的供應商；模型驗證者是否由被驗證機關付費且無獨立報告權。

一張來源圖也不能自動證明結論正確，它只能協助揭露依賴、提供複核線索。正式的錯誤辨識仍需要可比較真值、抽樣、模型測試及人類／機構的程序性審計。

## 11.3 六個資料品質守衛

1. **單位守衛：** 不能把一個人的信任得分、國家百分比與政策執行次數直接相加。
2. **時間守衛：** 模型能力發布、政策實施、效果測量、媒體報導與聲望更新必須分別記錄。
3. **因果守衛：** 沒有可信識別條件，不把「AI 採用後結果較好」寫成 AI 造成改善。
4. **獨立性守衛：** 未知來源重疊要明示，不能以不同供應商品牌當作獨立性證明。
5. **權限守衛：** 事實議程影響、有限行政委託、合法規範權限與不可撤回主權分開記載。
6. **倫理守衛：** 不為提高研究可測性而剝奪受試者真實福利、司法救濟、醫療權利或合法資訊自主權。

---

# 12. 競爭解釋、反對意見與理論失效條件

## 12.1 反對：AI 政策確實更好，為什麼不乾脆交出統治權？

**回應。** 需要辨識「更好」是相對哪個任務、群體與目標；即使某一職能上的增益確定，也不構成其他職能的自動授權。允許在可合法授權的任務中擴大 AI 參與，與保留基本權利、程序、公民參與、獨立覆核並不衝突。支持深度 AI 行政，不必支持無限制主權移轉。

## 12.2 反對：人類政治本來就有不公，為何對 AI 要求更高？

**回應。** 本篇沒有預設人類制度具有天然道德優勢；人類政策也需要公開資料、可解釋決策與申訴。對 AI 的核驗要求，一方面是因模型與供應鏈的不同風險，一方面也可以反向提高人類治理的可問責程度。合理比較應當使用相應、可實施而非完美的基準，而不是拿理想化人類制度去反對任何 AI。

## 12.3 反對：有了普及 AI，任何人的政治謊言都會被全世界識破

**回應。** 即使 AI 非常強大，只要關鍵資料不合法可得、模型共享錯誤、民眾缺乏理解與注意力，或制度沒有改錯能力，謊言也可能維持。對某些可驗證的數字與決策紀錄，獨立 AI 審核確實可能提高揭露能力；但價值觀衝突、秘密情報與不完整反事實，不會因更多對話介面而消失。

## 12.4 反對：AI 聲望提高，人類政治聲望必然下降

**回應。** 這預設聲望是總量固定的零和資源。然而政府正確引入 AI、專業人員改善執行、民眾參與增加，也可能使多方共同受肯定。只有在特定資訊與競爭安排下，才可能出現一方歸功排擠另一方。研究須直接測量而非預設。

## 12.5 反對：AI 的成果只要被多個模型確認，就不會有問題

**回應。** 同一資料源、同一誤差與相同的評價框架可讓多個模型同時給出錯誤結論。獨立驗證的品質需要可核對的來源譜系、不同測量程序、外部真值與模型聯合錯誤檢查。

## 12.6 反對：既然 AI 只是提出建議，人類最後批准就足夠

**回應。** 批准權是重要的法律節點，卻不足以完整描述資訊選擇權、候選方案生成與實際決策敏感度。如果官員有真正可用的替代資訊、拒絕能力、時間、專業與申訴程序，批准可以是實質審查；若只是形式按鈕，則不應自動當成有效控制。

## 12.7 反對：AI 聲望差距將不可避免地形成內戰

**回應。** 聲望—權力脫鉤是可能的制度張力，並非充分的暴力衝突條件。制度改革、公共論證、司法覆核、可信選舉、公民協商及安全的分權設計，都可能吸收張力；要預測嚴重政治衝突還需研究經濟剝奪、組織動員、暴力能力、合法性共識與不可妥協的利益。這是後續 NACT-11 的研究任務，不能在本篇預先寫成必然性。

## 12.8 反對：既得利益者必然利用 AI 風險論維權

**回應。** 實際利益與風險論述之間可能有關聯，但不構成動機判決。AI 部署確有隱私、公平、可靠性、集中化與安全風險。只有當具體證據顯示風險判準的選擇性使用、資訊隱瞞、利益衝突及替代方案被排除等情形時，才可研究其工具性權力防衛功能。此範圍留待 NACT-10 系統處理。

## 12.9 反對：AI 沒有意識，所以聲望也不會有政治意義

**回應。** 民眾可以將能力聲望與信任給予並非法律人格的研究機構、工具、程序或制度。聲望是觀察者對能力、成果與關係的評價，不必先解決被評價系統是否有第一人稱體驗。反之，聲望也不能證明 AI 有意識。本系列 NACT-01～03 已把這些問題分開。

## 12.10 反對：高能力 AI 如果完全成為獨立主體，本文還能使用嗎？

**回應。** 事件鏈、實際控制權與來源譜系的形式化仍可沿用，但角色分類必須修改。未來具自主目標、獨立契約能力或新的法律地位的 AI，不能繼續被簡單視為現代企業軟體。若出現新的智能主體，對其授權、受益、義務與權利需要另行證成；本文不預設最後的制度形態。

## 12.11 直接削弱中心假說的四組觀測結果

- 在多國、多項可比較公共任務中，經可靠核驗的 AI 績效增加，卻始終不改變任何可測量的 AI 能力聲望，或聲望主要由非績效因素解釋。
- 多模型驗證即使完全同源，其錯誤揭露能力仍與具有真正獨立來源的驗證同樣好，且沒有成本或風險上的差異；這會削弱獨立性作為關鍵中介的主張。
- 在真正具有高程序公平與合法解釋的制度中，聲望與採用速度不同從未造成任何可辨識的暫時差距；這會限制 F3 類動力模型的現實適用。
- 即使名義上只由人類按下最後批准，改變 AI 提供的選項集合、資訊與預設後，決策結果仍始終不受影響；這會削弱本篇對事實議程權的廣泛預期。

這些結果即使出現，也不會推翻第 5 章在其假設內成立的數學構造；它們會削弱將構造外推成真實文明演化機制的正當性。兩種「推翻」必須分開。

---

# 13. 與 NACT-10～NACT-12 的銜接，不提前完成後三篇

## 13.1 NACT-10：從聲望分離到風險敘事的政治用途

下一篇專門辨識：真正合理的風險治理與維持既有權力的工具性話語，能否透過一致性測試、權益衝突記錄及外部審計區分。此處不得因官員拒絕 AI 建議而預設其動機；也不能因 AI 具有較高聲望就否認限制措施的實際安全價值。

## 13.2 NACT-11：從制度正當性張力到人類內部衝突

制度與聲望不同步並不等於社會必然分裂。後續研究應在 NACT-07、08、09 的基礎上，測量不同群體的實際收益、認知歸責、政策參與機會、社會信任、制度可調整性及衝突化解能力，區分正常政治競爭、和平抗議、制度改革、持續極化與真正暴力衝突。

## 13.3 NACT-12：多路徑文明主導權不是單一勝負故事

最終整合應允許至少五種終點：AI 能力強但公共制度保有合法主導；高能力人機共治；AI 仲裁及行政角色擴張但權限可撤回；少數國家／企業因控制 AI 而集中權力；以及更深的 AI 主導但是否具正當性尚待獨立評估。任何單一路徑都不能以本系列研究語言被宣告為已證實的文明命運。

## 13.4 本篇交給後續研究的最小共同座標

本篇的可繼承成果是一組**型別化的研究接口**：政策實際結果、AI 因果貢獻、驗證可靠性、歸功／責怪、能力聲望、程序信任、授權支持、合法權限、實際議程影響及有效救濟。後續研究可以新增變量，但不得把其中任何兩項偷換成一個現成的「AI 統治程度」。

---

# 14. 結論：能力、聲望與權力可能不同速，但這不是必然奪權定律

本篇從一個容易被忽視的疑問出發：未來若 AI 持續參與並改善部分公共政策，民眾可能越來越明白哪些結果得益於 AI，於是開始用 AI 的可觀察成果反問人類官員為什麼不採用某些方案。但這個過程並不是一條不可逆的直線。政策增益能否被辨識、成果歸給誰、多模型是否獨立、證據是否可理解、救濟是否可及，以及人類制度是否善用 AI，均可能讓聲望與權限關係朝不同方向變動。

因此，最精確的候選命題不是「人工智能必然贏得政治聲望」，而是：**當人工智能在特定公共任務的真實增量得以可靠識別，且成果證據能經獨立渠道被社會取得時，治理聲望、委託需求與制度權限的變動速度可能不同；這種差異可能形成新的權力正當性爭議，也可能透過合法委託、透明審議與有效救濟被吸收。**

這是一個認識、分配與制度相互耦合的研究問題，不能由 AI 的智能排名單獨決定，也不能由任何一位人類對 AI 是否具有意識的回答取代。

**結語：**

> **當一個文明越來越清楚看見「誰真正改變了結果」，它未必立即交出權力；但它終究需要重新回答，自己究竟以什麼理由分配權力。**

---

# 15. 參考文獻、來源譜系與引用範圍

## 15.1 外部研究與官方文獻 [E]

以下僅列已核對標題、來源及相關結果的外部研究。若出版頁未提供完整資料或全文需訂閱，本文僅使用可核對摘要、方法及官方公開說明，不聲稱已取得原始資料或進行獨立再分析。所有來源均以 2026-11-05 可取得的公開版本為判斷邊界。

- **[E1]** Scharpf, F. W. (1999). *Governing in Europe: Effective and Democratic?* Oxford University Press. https://doi.org/10.1093/acprof:oso/9780198295457.001.0001 。作為有效公共治理與民主正當性區分的理論前置，不是 AI 實證研究。
- **[E2]** Schmidt, V. A. (2013; first online 2012-08-06). “Democracy and Legitimacy in the European Union Revisited: Input, Output and ‘Throughput’.” *Political Studies*, 61(1), 2–22. https://doi.org/10.1111/j.1467-9248.2012.00962.x 。界定輸入、產出與過程正當性，不宣告三維可用任何固定線性權重取代。
- **[E3]** OECD. (2026-06-29). *OECD Survey on Drivers of Trust in Public Institutions 2026 Results: Navigating Rising Expectations and New Horizons*, chapter “Trustworthy artificial intelligence in the public sector.” https://doi.org/10.1787/9eb63fec-en ; https://www.oecd.org/en/publications/oecd-survey-on-drivers-of-trust-in-public-institutions-2026-results_9eb63fec-en/full-report/trustworthy-artificial-intelligence-in-the-public-sector_6f98c91a.html 。使用其 2025 年跨國調查彙整；結果為不同問項的信心比例。
- **[E4]** OECD. (2026). *Digital Government Outlook 2026*, chapter “Adopting and governing AI in government.” https://www.oecd.org/en/publications/digital-government-outlook_0496b2bc-en/full-report/adopting-and-governing-ai-in-government_7ef312a9.html 。國家層級的行政使用情況，不等於已測得政策淨增益。
- **[E5]** Wang, S., Zhang, Y., Huang, Z., & Liang, Z. (2026). “How rationale and process transparency shape perceived legitimacy in AI-assisted decisions: Experimental evidence from China and the United States.” *Government Information Quarterly*, 43(2), 102141. https://doi.org/10.1016/j.giq.2026.102141 。中國 $N=934$ 、美國 $N=947$，特定公共招聘情境的感知正當性實驗。
- **[E6]** Wang, S., Zhang, Y., & Liang, Z. (2026; first online 2026-07-28). “When officials disagree with AI: public perceptions of bureaucratic discretion in algorithmic governance.” *International Public Management Journal*. https://doi.org/10.1080/10967494.2026.2706796 。中國公共招聘情境樣本 $N=1{,}150$ ；不外推至全部公部門任務。
- **[E7]** Raviv, S. (2026; online 2026-06-04). “When Do Citizens Resist the Use of AI Algorithms in Public Policy? Theory and Evidence.” *The Journal of Politics*, 88(4), 1301–1317. https://doi.org/10.1086/736362 。利用美國全國調查中的實驗分析制裁／協助與個人／群體推論之間的態度差異。
- **[E8]** “Support for AI in Public Administration: A Comparative Study of the United Kingdom and Japan.” (Published online 2026-05-19). *International Journal of Public Administration*. https://doi.org/10.1080/01900692.2026.2667201 。英日比較行政 AI 支持度的任務差異；以公開摘要作為本稿引用範圍。
- **[E9]** Wang, S., Zhang, Y., Xiao, Y., & Liang, Z. (2026). “From comparison to collaboration: Experimental evidence on human and artificial intelligence in public decision making.” *Information & Management*, 63(5), 104364. https://doi.org/10.1016/j.im.2026.104364 。中國兩項研究 $N=611$ 、 $N=894$，情境依賴的 AI／人類協作接受度。
- **[E10]** Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). “Algorithm aversion: People erroneously avoid algorithms after seeing them err.” *Journal of Experimental Psychology: General*, 144(1), 114–126. https://doi.org/10.1037/xge0000033 。限制單調聲望假設。
- **[E11]** Logg, J. M., Minson, J. A., & Moore, D. A. (2019). “Algorithm appreciation: People prefer algorithmic to human judgment.” *Organizational Behavior and Human Decision Processes*, 151, 90–103. https://doi.org/10.1016/j.obhdp.2018.12.005 。說明特定任務下演算法建議可能獲得較高採納，並非所有任務的政治授權效果。
- **[E12]** Kim, E. M., Garg, A., Peng, K., & Garg, N. (2025). “Correlated Errors in Large Language Models.” *Proceedings of the 42nd International Conference on Machine Learning*, PMLR 267, 30038–30066. https://proceedings.mlr.press/v267/kim25e.html 。提供多模型共同錯誤的經驗依據，不能把基準測試錯誤率直接套用到政府政策。
- **[E13]** Kroll, J. A., Huey, J., Barocas, S., Felten, E. W., Reidenberg, J. R., Robinson, D. G., & Yu, H. (2017). “Accountable Algorithms.” *University of Pennsylvania Law Review*, 165(3), 633–705. https://pennlawreview.com/2017/02/23/accountable-algorithms/ 。程序核驗及技術可問責的規範與方法前置。
- **[E14]** European Union. (2024, consolidated text applicable by the relevant implementation schedule). Regulation (EU) 2024/1689, Article 14 “Human oversight.” Official European Commission AI Act Service Desk: https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-14 ; legal text: https://eur-lex.europa.eu/eli/reg/2024/1689 。本稿只引用高風險系統的人類監督原則，不提供個別法域法律意見。
- **[E15]** Bengio, Y., et al. (2026-02-03). *International AI Safety Report 2026*. https://internationalaisafetyreport.org/publication/international-ai-safety-report-2026 。作為模型可靠性、相關失誤、集中依賴與制度資訊不對稱風險的科學綜述。

## 15.2 EveMissLab 與 NACT 前置原稿 [I]

- **[I1]** Neo.K／EveMissLab（2026-10-26），《AI 治理的認知必要性與授權邊界：不是哲人王，也不是只用 AI 寫報告》，SGCR-S07。https://unboundedaxiom.org/p/lm-005136/
- **[I2]** Neo.K／EveMissLab（2026-10-27），《自願交付主權：AI 崇拜、脆弱處境與能力權威的政治正當性悖論》，SGCR-EX01。https://unboundedaxiom.org/p/lm-005189/
- **[I3]** Neo.K／EveMissLab（2026-10-28），《智能資本集中、公共可達性與社會反作用》，AICET-13。https://unboundedaxiom.org/p/lm-005130/
- **[I4]** Neo.K／EveMissLab（2026-10-16～17），AIEC-09《帳號、委託、執行者與受益者：人類—AI 混合操作下的經濟歸因》及 AIEC-12《地球文明的 AI 經濟耦合觀測》。https://unboundedaxiom.org/p/lm-005119/ ; https://unboundedaxiom.org/p/lm-005115/
- **[I5]** Neo.K／EveMissLab（2026-10-23），《超越者不得僭越：能力、知識、創造與主權的嚴格分離》，SCET-10。https://unboundedaxiom.org/p/lm-005247/
- **[I6]** Neo.K／EveMissLab（2026-11-05），NACT-01～NACT-08，依各篇當輪 UTF-8 Markdown 原始正本為準；前置內容僅作理論接口，不作為外部獨立驗證的替代品。

---

# 16. 正本聲明與研究成熟度

**成熟度：** E0 概念研究及預註冊式方法規格；完成有限形式命題與合成數值檢查，未完成新的跨國實地資料蒐集、政策因果評估、行政申訴實驗或特定法域合憲性審查。

**證據等級守衛：** [E] 外部可核對研究、[I] 既有研究、[D] 定義、[F] 有界形式結果、[SIM] 合成資料、[H] 待驗假說、[U] 未知，彼此不可偷換。

**內容邊界：** 沒有預言 AI 必然奪權、主權必然讓渡或人類內部必然發生暴力；沒有把 AI 安全論述一概視為權力維持，也沒有把有效人類監督當成應排除的制度障礙。

**下一篇：** NACT-10〈AI 風險敘事的雙重作用：公共安全與既有權力防衛〉。
**正本：** 此 UTF-8 Markdown 檔案為可直接保存、校訂與提交研究工作流的原始文稿；聊天視窗與任何後續渲染版本都不是 canonical source。
**版本：** v0.1（2026-11-05）。