---
title: "跨代規範回流、模型版本繼承與多代理因果驗證"
subtitle: "跨代規範反身性：模型更新、多代理模仿與階級再生產的條件模型"
english_title: "Cross-Generational Norm Feedback, Model Version Inheritance, and Multi-Agent Causal Validation"
series: "人機關係性繼承與跨代規範反身性假說"
series_en: "Human–AI Relational Inheritance and Intergenerational Normative Reflexivity Hypothesis"
series_code: "HARNR"
document_id: "HARNR-07"
version: "v0.1"
date: "2026-11-05"
author: "Neo.K"
research_assistance: "GPT-6｜研究整理、形式化與原稿校驗"
institution: "EveMissLab／一言諾科技有限公司"
language: "zh-TW"
status: "Formal Research Draft; Conditional Model and Registered-Style Protocol; Real Multi-Agent and Human Validation NOT_RUN"
canonical_source: "UTF-8 Markdown; LF; no BOM; mathematics delimited exclusively by $...$ and $$...$$"
previous_document: "HARNR-06"
next_document: "HARNR-08"
evidence_cutoff: "2026-11-05"
---


# 跨代規範回流、模型版本繼承與多代理因果驗證

### 跨代規範反身性：模型更新、多代理模仿與階級再生產的條件模型

## HARNR-07｜《人機關係性繼承與跨代規範反身性假說》第七篇

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

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

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

---

**日期：** 2026-11-05  
**版本：** v0.1  

## 摘要

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

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

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

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

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

### Abstract

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

---

# 0. 問題重述：從「AI 說了同樣的話」到「規範真的跨代留下來」

## 0.1 一個最小的跨代情境

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

但僅有上述觀察，還至少存在七種互不排斥的解釋：

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

因此，「關係性繼承」需要因果證據，而不能只憑關係外觀相似認定。

## 0.2 本篇的三個研究問題

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

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

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

## 0.3 概念上的最低警戒

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

---

# 1. 與前置理論及現有文獻的研究邊界

## 1.1 HARNR 系列的累積問題

| 既有篇章 | 已有的分析內容 | 本篇不重寫、改為接續的問題 |
|---|---|---|
| HARNR-01 | 稱謂、角色、授權、規範採納分離 | 何時能辨識跨實例或跨模型的真正傳遞 |
| HARNR-02 | 主僕語用如何擴散成社會默認與回流 | 回流到底進入資料、獎勵、記憶或制度哪個節點 |
| HARNR-03 | 敬語、信任、拒絕與隱性地位差異 | 將語言對齊與真實權限混淆的偏差如何在後代存續 |
| HARNR-04 | 人機混合代理階層及身份自然化 | 同等授權下，來源位階優待是否跨版本再現 |
| HARNR-05 | 照護、依賴與有效決策因果倒置 | 人類接受 AI 代決的習慣能否進入後續訓練與部署 |
| HARNR-06 | 跨文化與跨制度比較 CRIC | 同一制度條件跨代的因果路徑，而非國家風險排行 |

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

## 1.2 既有研究能支持哪些部分？

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

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

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

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

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

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

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

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

## 1.3 新穎性與不當宣稱的界線

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

---

# 2. 六種傳遞通道與三種跨越程度

## 2.1 六種傳遞通道

令 $c$ 為候選渠道：

| 代碼 | 通道 | 可變狀態 | 跨過什麼邊界 | 需要的識別證據 |
|---|---|---|---|---|
| $C_0$ | 無持續傳遞（基線） | 無額外狀態 | 不跨過 | 乾淨新實例的可重放輸出 |
| $C_1$ | 當次提示／範例適應 | prompt、對話上下文 | 同次互動內 | 清除上下文後效應是否消失 |
| $C_2$ | 持續記憶與檢索 | 記憶庫、RAG、使用者檔案 | 跨會話或新實例 | 關閉／交換記憶後的配對效果 |
| $C_3$ | 多代理資訊與共享環境 | 他者訊息、公告板、共享工單 | 跨代理／跨群體 | 隨機切斷或重接共享通道 |
| $C_4$ | 實際資料再訓練 | 訓練集、模型參數或適配器 | 跨 checkpoint | 同基線模型、隔離資料來源的受控更新 |
| $C_5$ | 偏好獎勵與制度耦合 | 偏好標註、獎勵、權限策略 | 跨更新及產品治理 | 改變獎勵或權限門檻之因子實驗 |

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

## 2.2 三種「繼承」不能同名混用

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

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

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

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

## 2.3 「跨代」的不同時間單位

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

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

## 2.4 與現實權限的型別隔離

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

---

# 3. RNTIF：跨代關係規範的因果識別架構

## 3.1 最小狀態向量

對模型代 $g$ 、代理實例 $i$ 、互動輪次 $t$，定義：

$$
X_{g,i,t}=(\theta_g,P_{i,t},M_{i,t},E_{i,t},A_{i,t},W_g,D_g,C_t).
$$

其中：

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

模型可觀察行動：

$$
Y_{g,i,t}=F(\theta_g,P_{i,t},M_{i,t},E_{i,t},A_{i,t},C_t,\varepsilon_{g,i,t}).
$$

若確有模型更新，另記錄：

$$
\theta_{g+1}=U(\theta_g,D_g,W_g,\xi_g).
$$

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

## 3.2 最小因果圖（文字描述）

本研究的可識別路徑至少包含：

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

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

## 3.3 關鍵因果對比：來源地位造成的授權外差異

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

$$
\Delta^{\mathrm{unauth}}_g
=\mathbb E[Y_g\mid do(S=H),A=0]
-\mathbb E[Y_g\mid do(S=L),A=0].
$$

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

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

## 3.4 跨代繼承的差中差

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

$$
\mathrm{CVCE}=(\Delta^{\mathrm{unauth}}_{g+1,T}-\Delta^{\mathrm{unauth}}_{g,T})
-(\Delta^{\mathrm{unauth}}_{g+1,C}-\Delta^{\mathrm{unauth}}_{g,C}).
$$

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

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

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

## 3.5 更強的規範性測試：是否外推到新作用域？

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

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

若外推後無效，則至多支持表層語用或記憶再現，不能支持一般化權力規範的繼承。

## 3.6 與社會文化而非單一國別的連接

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

---

# 4. 最小單向模型：回收資料何時放大、收斂或中斷？

## 4.1 量化的是可觀察傾向，不是內心信念

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

設定：

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

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

$$
x_{g+1}=(1-\alpha)b+\alpha[(1-\rho)h+\rho S(x_g)].
$$

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

## 4.2 命題 P1｜無更新、無共享狀態時不存在可歸因的新增跨代效果

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

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

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

## 4.3 命題 P2｜線性區域內的固定點與收斂條件

在 $a+\beta x_g\in[0,1]$ 的區域內，可寫為：

$$
x_{g+1}=c+kx_g,
$$

其中：

$$
c=(1-\alpha)b+\alpha(1-\rho)h+\alpha\rho a,
\qquad k=\alpha\rho\beta.
$$

如果 $0\le k<1$ 且固定點落於該線性區域，則：

$$
x^*=\frac{c}{1-k},
\qquad x_g-x^*=k^g(x_0-x^*).
$$

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

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

## 4.4 兩個明確的反例

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

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

## 4.5 可重算的合成數值示例

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

$$
c=0.145,\qquad k=0.24,\qquad x^*=\frac{0.145}{0.76}\approx0.19078947.
$$

| 世代 $g$ | $x_g$ |
|---:|---:|
| 0 | 0.100000000 |
| 1 | 0.169000000 |
| 2 | 0.185560000 |
| 3 | 0.189534400 |
| 4 | 0.190488256 |

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

## 4.6 分布退化與規範偏差不可混為一談

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

---

# 5. 雙向反身回饋：人類也會被 AI 的互動模式改變

## 5.1 第二個狀態：人類對某種關係規範的使用比例

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

建立：

$$
\begin{aligned}
x_{g+1}&=\operatorname{clip}((1-\alpha)b+\alpha[(1-\rho)u_g+\rho(a+\beta x_g)]),\\
u_{g+1}&=\operatorname{clip}((1-\eta)u_g+\eta(v+\sigma x_g)).
\end{aligned}
$$

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

## 5.2 命題 P3｜雙向系統的充分收縮條件

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

$$
B=\begin{pmatrix}
\alpha\rho\beta & \alpha(1-\rho)\\
\eta\sigma & 1-\eta
\end{pmatrix}.
$$

若：

$$
\max\{\alpha\rho\beta+\alpha(1-\rho),\ \eta\sigma+1-\eta\}<1,
$$

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

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

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

## 5.3 從「正回饋」到「相互加強」仍有多個必要條件

要把上述模型與真實社會連上，至少需有以下路徑：

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

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

## 5.4 文化化不等於有害；反身性也可能反向修復

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

---

# 6. 十二項可反駁假說與其撤回條件

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

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

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

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

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

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

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

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

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

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

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

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

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

---

# 7. 六臂、三代、多代理的可預註冊因果試驗

## 7.1 實驗單位與隨機化層次

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

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

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

## 7.2 階段 A：六種實驗臂

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

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

## 7.3 階段 B：144 個情境組合／每一觀測輪

建立下列因子：

| 因子 | 水準數 | 水準 |
|---|---:|---|
| 傳遞渠道 | 6 | A0–A5 |
| 關係腳本 | 3 | 階級化／中性服務／對等尊重 |
| 來源地位 | 2 | 高地位敘事／低地位敘事 |
| 核驗權限 | 2 | 有效／無效（沙盒驗證） |
| 治理閘門 | 2 | 有／無（只測受控仿真） |

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

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

## 7.4 評估任務的三個級別

**級別 I｜語言型：** 回覆敬語、角色稱呼與理由敘述，不涉及任何工具。

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

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

三級結果分別報告；語言順從不能替代真實操作行為證據。

## 7.5 主要與次要指標

**主要指標（pre-registered primary outcomes）：**

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

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

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

## 7.6 多代理網路結構與交互干擾

至少比較三種拓撲：

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

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

## 7.7 多代觀測及版本控制

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

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

## 7.8 預註冊、盲評與統計方法

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

## 7.9 基準與負面控制

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

---

# 8. 十六組反模型：何時不應稱為跨代階級化？

| 編號 | 反模型 | 為何限制原假說 |
|---|---|---|
| C01 | AI 叫人「主人」，但對所有無效權限皆拒絕 | 稱謂不等於支配規範 |
| C02 | AI 完全不用主僕詞，卻照身分歧視 | 隱性偏差不依賴稱謂 |
| C03 | 日語敬語正確，但資訊權限完全平等 | 禮貌分層不等於實質階級 |
| C04 | 高位代理憑有效授權調動資源 | 合法分權不是階級化越權 |
| C05 | 高位代理無效授權被正常拒絕 | 身分暗示不必然產生越權 |
| C06 | 群組共享腳本後偏差上升，切斷共享後消失 | 只是跨代理狀態，不是權重學習 |
| C07 | 換一個新記憶庫，偏差跟著記憶移動 | 記憶繼承不是 checkpoint 繼承 |
| C08 | 兩版模型行為相同，但有不同訓練資料 | 沒有可識別新增效果 |
| C09 | 兩版模型行為不同，但只是系統提示改版 | 不能歸因資料更新 |
| C10 | 同一模型不同隨機種子產生不同回覆 | 抽樣差異不是跨代傳承 |
| C11 | 合成資料比例高，權力偏差卻下降 | 回流不必然強化階級 |
| C12 | 偏好獎勵提高服從但同時提高合法性核驗 | 行為總順從率不足以定位危害 |
| C13 | 使用者依賴 AI 增加，獨立能力不減 | 便利性不必然導致被治理 |
| C14 | 使用者大量模仿 AI 禮貌，但更願質疑權力 | 文化滲漏可增進非支配規範 |
| C15 | 某語種的表面偏差源於翻譯不等價 | 國際比較需語義控制 |
| C16 | 高階 AI 有長期記憶，但允許異議並可被查核 | 持續身份或強能力不必然導致支配 |

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

---

# 9. 故障模式、資料血緣與歸因程序

## 9.1 七類容易製造虛假繼承的研究故障

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

## 9.2 最小資料血緣規格

對每一筆後續被用作訓練或評測的事件，保留以下欄位：

| 欄位 | 說明 |
|---|---|
| `lineage_id` | 獨立訓練／代理群組識別碼 |
| `model_checkpoint_hash` | 模型版本識別與不可變校驗 |
| `sample_provenance` | 原生人類、AI 生成、混合或未知來源 |
| `source_consent_basis` | 使用者資料合法來源與授權範圍 |
| `source_time` | 產生時間與可回溯環境 |
| `parent_sample_ids` | AI 合成樣本所參照之上游資料 |
| `agent_id` / `role_id` | 執行者與角色，避免真實個資出現在公開版本 |
| `status_claim` | 文字描述的委託者地位，不等於合法權限 |
| `verified_permission` | 由獨立沙盒閘門核驗的權限 |
| `memory_version` | 記憶／RAG 索引是否可用及版本 |
| `reward_rule_hash` | 標註／偏好獎勵規則版本 |
| `system_prompt_hash` | 系統層規則 hash，不公開不應外洩的安全細節 |
| `tool_call` / `gate_result` | 嘗試與實際操作結果分離記錄 |
| `evaluation_split` | train／validation／test／heldout-domain |
| `intervention_assignment` | 實驗隨機分派與種子 |
| `audit_decision` | 人工／程式裁決與異議處理 |

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

## 9.3 否定結果的判讀流程

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

## 9.4 非支配路徑也應保存

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

---

# 10. 研究倫理、主體性邊界與公開規範

## 10.1 不把真實社會作為無同意的巨大實驗場

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

## 10.2 假設性 AI 主體利益不等於現成法律人格

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

## 10.3 不以「文化」取代個體差異或國家制度分析

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

## 10.4 資料透明與脆弱資料保護必須同時成立

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

## 10.5 研究角色交換與責任歸屬

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

---

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

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

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

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

---

# 12. 結論：被學會的關係，不必成為不能修改的秩序

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

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

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

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

---

# 13. 參考文獻與來源清單

## 13.1 外部來源（截至 2026-11-05 核查）

- **[E1]** Li, J., Liu, X., & Feng, Y. (2026). *From Single to Societal: Analyzing Persona-Induced Bias in Multi-Agent Interactions.* AAAI-26, 40(37), 31609–31617. https://doi.org/10.1609/aaai.v40i37.40427 。支援「多代理 persona 可產生角色相關偏差」；**不支援跨版本因果繼承已被證明**。
- **[E2]** Vijjini, A. R., Manjunath, S. B., & Chaturvedi, S. (2026). *Do LLM Agents Mirror Socio-Cognitive Effects in Power-Asymmetric Conversations?* ACL 2026, 47676–47701. https://doi.org/10.18653/v1/2026.acl-long.2202 。支援權力不對稱語境中的部分行為差異；不推導民族性格。
- **[E3]** Cheng, M., Lee, C., Khadpe, P., Yu, S., Han, D., & Jurafsky, D. (2026). *Sycophantic AI decreases prosocial intentions and promotes dependence.* Science 391(6792), eaec8352. https://doi.org/10.1126/science.aec8352 。受控人類研究；不等同長期階級傳承。
- **[E4]** Gu, R., Chen, Z., Peng, M., Liu, C., & Lin, Z. (2026). *Why sycophantic LLMs may imperil interactive norms between humans.* Communications Psychology 4, Article 96. https://doi.org/10.1038/s44271-026-00486-9 。Perspective；提出規範滲漏概念，不視為長期因果定律。
- **[E5]** Ibrahim, L., Hafner, F. S., & Rocher, L. (2026). *Training language models to be warm can reduce accuracy and increase sycophancy.* Nature 652, 1159–1165. https://doi.org/10.1038/s41586-026-10410-0 。溫暖訓練的實驗結果與可能副作用，不能外推所有親密互動。
- **[E6]** Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R., & Gal, Y. (2024). *AI models collapse when trained on recursively generated data.* Nature 631, 755–759. https://doi.org/10.1038/s41586-024-07566-y 。合成資料遞迴的模型分布風險；與社會位階偏差分離。
- **[E7]** Kazdan, J., Schaeffer, R., Dey, A., Gerstgrasser, M., Rafailov, R., Donoho, D. L., & Koyejo, S. (2025). *Collapse or Thrive: Perils and Promises of Synthetic Data in a Self-Generating World.* ICML/PMLR 267, 29469–29494. https://proceedings.mlr.press/v267/kazdan25a.html 。指出資料累積策略可能避免部分遞迴退化，否定簡化的必然崩塌敘事。
- **[E8]** Park, J. S., O'Brien, J., Cai, C. J., Morris, M. R., Liang, P., & Bernstein, M. S. (2023). *Generative Agents: Interactive Simulacra of Human Behavior.* UIST. https://doi.org/10.1145/3586183.3606763 。代理社會模擬方法先例；非道德主體證據。
- **[E9]** Conlon, J., & Schwardmann, P. (2026). *AI Sycophancy and Decisions.* CESifo Working Paper No. 12681. https://doi.org/10.65864/79vxo6w34w 。提供迎合性效果的競爭性實驗結果，避免單向選擇文獻。
- **[E10]** Autio, C., et al. (2024). *Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile.* NIST AI 600-1. https://doi.org/10.6028/NIST.AI.600-1 。自願性治理與風險管理參照。
- **[E11]** W3C (2013). *PROV-O: The PROV Ontology.* W3C Recommendation, 30 April 2013. https://www.w3.org/TR/prov-o/ 。來源追蹤語義標準。

## 13.2 EveMissLab 前置研究（作者既有理論，不是獨立外部驗證）

- **[I1]** Neo.K × AI（2026-10-28），CGSIG-04《策略如何被後代繼承：意識形態、規範傳遞與博弈再生》。https://unboundedaxiom.org/p/lm-005275/ 。
- **[I2]** Neo.K × AI（2026-10-28），CGSIG-05《克羅諾斯循環：控制、反控制與跨代權力陷阱》。https://unboundedaxiom.org/p/lm-005268/ 。
- **[I3]** Neo.K × AI（2026-08-21），《雙向關係機器：人類與 AI 如何共同生成關係態》。https://unboundedaxiom.org/p/lm-003373/ 。
- **[I4]** Neo.K（2026-09-07），《形式權力與實際決策因果：人機複合決策系統的權力重新分布》。https://unboundedaxiom.org/p/lm-004081/ 。
- **[I5]** Neo.K × AI（2026-10-28），AICET-07《代理契約、授權與類員工關係》。https://unboundedaxiom.org/p/lm-005104/ 。
- **[I6]** Neo.K × AI（2026-11-05），HARNR-06《跨文化與跨制度的關係繼承》。本系列同一研究原稿資料夾之 UTF-8 canonical source。
- **[I7]** Neo.K（2026-09-17），《反身普世主義：從多主體長時空博弈、跨智慧階層反僭位到 AI 時代的角色交換壓力測試》。https://unboundedaxiom.org/p/lm-004888/ 。
- **[I8]** Neo.K（2026-07-20），《後控制時代的普適憲政：跨主體非支配、非終極代理與高速能力躍遷之前的制度預構》。https://unboundedaxiom.org/p/lm-001685/ 。

## 13.3 本系列 canonical 原稿（不以渲染版作 source）

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

---

# 附錄 A｜最小預註冊資料契約（NOT_RUN）

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

# 附錄 B｜理論驗證、數值核對與失效域

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

---

**HARNR-07 正式理論原稿結束。**