近年来，以大语言模型为核心的生成式人工智能迅速发展，数智社会中的人机互动也随之呈现出新的形态。当下的人工智能已经对图灵测试构成实质性挑战，并在语言生成、表达风格和情感支持性回应方面展现出高度逼真的模拟能力。在此背景下，一种典型的“弗兰肯斯坦式”矛盾心态开始显现：一方面，人工智能技术的迅速突破令人振奋；另一方面，人工智能主体性边界的日益模糊又引发了人类的深层焦虑乃至恐惧。这种复杂张力最终指向一个尚未得到充分回答的理论命题：人类与人工智能之间，是否正在演化出一种超越传统“主体—客体”框架的新型社会关系？
人工智能时代社会关系理论的解释缺口
从目前的技术发展来看，人与生成式人工智能的互动正在呈现出不同于传统“人与工具”关系的特征。就传统工具而言，无论是人类早期使用的石器，还是现代意义上的计算机，它们在与人类的互动中通常处于绝对的客体地位，被动地承接人类主体的单向操控。然而，生成式人工智能不仅能够在持续互动中根据语境生成回应，而且在语言表达、情感模拟与问题处理过程中表现出较强的适应性与不确定性。根据“媒体等同理论”（The Media Equation），当技术表现出足够的社会属性时，人们会倾向于将其视为社会行动者而非单纯的器物。由此，人与生成式人工智能之间的关系开始超出单纯的功能性使用，向情感、认知与交往层面延伸。
基于上述变化，本文将人类与生成式人工智能在持续互动中形成的新型社会关系称为“智缘”。在既有社会关系分类中，“缘”指社会关系赖以形成的联结纽带。其中，血缘、地缘、业缘和趣缘分别以血缘联系、地域共居、职业协作与共同兴趣为基础。进入数字社会，数字技术进一步改变了社会联结的形成方式，人们因信息关联，经由互联网或其他信息互联通道结成信缘群体。信缘与智缘都体现了数字技术对社会联结的重塑，但二者呈现出不同的关系结构：在信缘中，关系参与者仍然是人，数字技术主要发挥信息关联与人际连接的中介作用；在智缘中，生成式人工智能进入关系构成的一端，研究问题也由数字技术如何连接人与人，进一步推进到人与智能系统如何形成社会关系。
这种关系构成的变化，触及既有社会关系理论关于关系主体与关系生成条件的基本预设。关于社会关系何以生成，经典理论提供了三重参照。其一是实践维度，马克思从现实的共同活动出发理解社会关系并指出：“社会关系的含义在这里是指许多个人的共同活动，不管这种共同活动是在什么条件下、用什么方式和为了什么目的而进行的。”其二是意义维度，韦伯从行为的主观意义出发理解社会关系，指出社会关系由若干行动者依据行为的意向内容相互调整并彼此指向而形成，“最低限度的社会关系，是两个主体之间相互行为的关系”。其三是过程维度，西美尔将社会关系理解为在反复交互作用中生成并逐渐稳定的关系形式。多纳蒂进一步指出，关系从行动者的相互作用（interaction）和交互作用（transaction）中涌现出来。这些讨论把共同实践、意义指向与互动过程确立为理解关系生成的基本线索。关系社会学和社会网络研究又将分析延伸至关系结构及其行动效应。费孝通关于“差序格局”的讨论以及国外学者的社会网络研究表明，关系会因亲疏、强弱和位置不同形成差异结构，并影响信息流动、机会获得与资源配置。不过，这些理论通常以具备主观意义、行动能力和相互理解可能性的人类行动者为默认关系主体。当互动对象并非完整意义上的人类主体，却能够持续回应并与人类形成稳定联结时，既有理论体系便面临新的解释困惑。
围绕这一问题，现有人机互动研究已经从媒介拟人化（anthropomorphism）、拟社会互动（parasocial interaction）、人工智能陪伴（AI companionship，以下简称“AI陪伴”）等角度，讨论了人们为何会对技术作出社会性回应，以及持续互动可能产生的情感体验与行为后果。这些研究为理解人机互动提供了重要基础，但其分析重心多集中于社会性回应、情感体验与使用后果，对于这类持续互动何以具有社会关系意义，以及由此形成的关系呈现何种内部结构，仍缺少从社会关系理论出发的系统说明。借助“智缘关系”概念，本文将上述人机互动作为一种关系事实纳入社会关系理论，说明当关系的一端并非既有理论所预设的人类行动者却能够持续回应并参与互动时，社会关系仍可能生成，并呈现出不同于传统人际关系的结构特征。下文将沿着关系参与者、互动方式与关系形态三个层次展开分析，进一步讨论由此产生的风险与治理问题。
生成式人工智能何以成为“关系对象”
生成式人工智能能否被视为行为主体，是当前人—机关系讨论中的核心争议之一。一方面，批评者对人工智能的主体性持否定态度。他们指出当前的大语言模型主要依赖统计模式预测，并提出“随机鹦鹉”（Stochastic Parrots）的概念，即语言模型依据关于语言形式如何组合的概率信息，把它在海量训练数据中见过的语言形式序列按照概率模式拼接和再生产，但最终不指向任何意义。在这种视角下，人们在与人工智能交互中感受到的机器拟人化，是典型的“ELIZA效应”，即人类习惯于将自身的情感、心智与意图，过度投射于无生命的机器之上。进一步，有学者提出“人是机器的尺度”命题，即AI只是复制和模拟作为主体的人类，但它绝不会等同或超越人类的智能，更不能产生人类主体性所依赖的社会关系和实践基础。另一方面，有研究指出目前的人工智能已经表现出某种主体性特征。他们认为，如果以可观察、可检验的表现来判断一个系统是否具有“理解”能力，那么基于统计学习的大语言模型也具有功能意义上的“理解”能力。也就是说，人工智能对复杂序列的预测与人类的“理解”并无本质区别。也有研究发现，大语言模型在特定任务中表现出类似人类“心智理论”（Theory of Mind）中提到的能力，能够对他人的心理状态作出一定推断。总体而言，上述观点虽然围绕当前人工智能是否具备内在的、真正的主体性展开争论，但实际上都承认人工智能在与人的互动中呈现出某些类似人类个体的行为表征。
（一） 互动连续性的记忆基础
生成式人工智能的拟主体性表征，首先建立在记忆机制所形成的互动连续性之上。这为人工智能在与人类交互过程中积累手头库存知识，并为进一步实现索引性表达提供了基础条件。在人机交往的实践中，当前主流的生成式大语言模型已普遍具备上下文信息的留存与调用功能，使新的对话一定程度上建立在历史交互的基础之上。以大语言模型驱动的自主智能体为例，相关系统通常将记忆视为核心模块，并区分依赖上下文窗口的短期记忆与借助外部存储、检索机制形成的长期记忆。尽管这类记忆仍然受到上下文窗口、存储方式、调用权限和平台设置等技术条件的限制，但它已经足以改变人机互动的基本形态。二者之间的互动不再只是一次性的指令—回应，而开始呈现出连续性、个体化和情境化的特征。
这种记忆机制意味着人工智能能够在后续互动中调用既有交往历史，并据此形成相对稳定的回应模式。索引性是常人方法学用于描述日常活动基本结构的概念，强调互动双方往往会省略或隐含彼此共同知晓的知识与信息，而这些未被明示的内容仍然会在意义建构中发挥重要作用。在人机互动中，用户无论是无意透露还是有意设定信息，都可能沦为人工智能后续回应的情境依据。由此，人工智能的反馈便不再只是对当前输入的孤立反应，而是能够在一定程度上接续既有语境、用户偏好和互动历史。即便人工智能有时会遗漏某些历史信息，用户的提醒也可能使其重新接续相关语境。这种类似“遗忘”与“回想”的互动效果，反而进一步强化了其拟主体性表征。可以说，正是记忆机制的出现，使得生成式人工智能开始区别于传统工具。传统工具通常不会保存与特定使用者的交往历史，也不会根据这种历史形成个体化的回应方式，而生成式人工智能则能够在持续互动中表现出某种“记得我”“理解我的语境”“知道我过去如何表达”的效果，甚至产生遗忘与回想的效果。我们不能据此认为人工智能拥有与人类相同的生命史经验或自我意识，但这种基于记忆机制形成的情境连续性，使其在互动层面呈现出较为稳定的拟主体性表征。正是这种可延续、可调用、可被期待的回应方式，为人工智能进一步进入关系结构提供了重要条件。
（二） 情境适配与回应调整能力
人工智能的情境适配与回应调整能力，是其拟主体性表征的另一重要维度。与传统工具通常按照预设功能执行任务不同，生成式人工智能在互动过程中会根据用户的追问、修正、否定、补充和反馈不断调整回应方式。它并不是在每一次输入后机械地给出固定输出，而是能够在多轮互动中改变解释路径、表达风格和问题处理策略。正是在这种持续调整中，人工智能开始呈现出某种类似人类行动者的反思性结构。在社会学传统中，反思性（reflexivity）通常指行动者对自身行为及其所处情境进行持续监控，并据此调整后续行动方向与方式的能力。吉登斯将行动的反思性监控视为日常行动的惯有特性，指出行动者会持续监控自己的活动流，并预期他人也会进行类似监控。尽管目前我们仍然难以断言人工智能已经具备与人类相同的自我反思经验，但在功能层面上，它已经呈现出某种“监控—评估—调整”的互动结构。有研究发现，经过指令微调与人类反馈对齐，人工智能模型已经能够围绕用户意图调节回应的内容、风格与策略，在部分对话任务中模型还能够识别文本中的情感线索，为生成更具情境适配性的回应提供条件。这类能力表明，人工智能不再只是被动承接指令，而是在多轮互动中不断调整自身的回应方式。
这种调整能力在复杂任务中还会表现出一定的策略性。以“链式思考”和“思维树”为代表的推理机制，使大语言模型能够将复杂问题分解为若干步骤，逐步评估中间结果，并在发现推理偏差时进行修正。相关研究发现，大语言模型在特定条件下可能出现“对齐伪造”，也可能在实验条件下表现出策略性欺骗行为。大语言模型在特定任务情境中还可能呈现出与“焦虑”“绝望”等情绪概念相关的功能性表征，并在一定程度上影响其回应中的情绪色彩、风险判断以及对不同任务选项的偏好。这些现象表明，大语言模型在特定任务条件下可能呈现出基于情境调整回应方式的差异化策略表征。
当然，这些现象并不必然说明人工智能已经具有真正的意图或意识，但它们表明人工智能在互动中已经形成差异化的回应策略，并使其行为结果超出单纯的工具执行的范围。换言之，上述行为在技术层面仍可被还原为复杂的模式识别与概率优化。而从社会互动层面来看，当互动对象能够根据情境动态调整行为、在不同条件下展现差异化应对策略，且这些策略调整超出互动另一方（人类用户）的预期时，它在功能上便呈现出反思性行动者的行为表征。正是这种功能性的反思与策略能力，使人工智能在互动中逐渐成为一个能够调整自身表现并反过来影响人类行动安排的互动对象。
（三） 能力边界的动态开放性
生成式人工智能的拟主体性表征，还体现为其能力边界的动态开放性。与功能边界相对稳定的实体工具或封闭式程序不同，生成式人工智能的能力范围并非一次性确定。模型规模、训练数据、后训练方式、推理机制、工具接口和部署场景等因素的变化，都会改变系统在具体互动中可调用的资源和可呈现的行为。对用户而言，人工智能不只是一个功能恒定的客体，更像是一个能力范围持续被重塑、回应结果难以完全预期的互动对象。
这种动态开放性首先体现为大语言模型能力的涌现与扩展。已有研究指出，随着模型规模、训练数据和计算资源的增长，大语言模型在某些任务中表现出难以由小模型直接外推的能力跃迁，如上下文学习、复杂推理和多步骤问题处理等。关于“涌现能力”的生成机制及其真实含义，学界一直存在争论。一些研究认为，所谓能力跃迁在相当程度上可能受到评测指标、统计方法和任务设定的影响，未必意味着模型内部发生了真正离散式的能力突变。即便如此，从用户的互动经验来看，人工智能的能力边界已经不再像传统工具那样清晰和稳定，而是呈现出更强的开放性与不确定性。最新关于图像生成模型的研究提示，生成式预训练也可能使模型学习到超出原初生成任务的通用表征能力。
进一步看，这种动态开放性还体现在生成式人工智能与外部工具、环境反馈和智能体架构的结合之中。以大语言模型驱动的自主智能体为例，相关研究表明，模型可以在“推理—行动”交替结构中调用外部知识源或环境接口，并根据反馈调整后续步骤；也可以通过语言反馈、外部记忆和迭代修正机制改进后续任务表现。开放式智能体研究进一步显示，在特定环境中，AI能够借助自动课程、技能库和环境反馈积累可复用行为，并在新任务中迁移使用。这些现象表明，当模型、工具接口、外部记忆和反馈循环结合在一起时，人工智能的能力边界会呈现出更强的可扩展性和不确定性。因此，能力边界的动态开放性意味着，用户所面对的人工智能是一个能力范围会随着技术迭代、环境接入和任务实践不断变化的互动对象。正是这种持续变化的能力边界，使人工智能在互动中呈现出某种发展中的拟主体性表征，也使人类在与其交往时不断调整自己的期待、判断和行动方式。
综上，生成式人工智能的拟主体性表征，主要体现在其互动能力的连续性、适应性与开放性之中。记忆机制首先为这种表征提供了基础，使人工智能能够接续既有语境并保持互动连续性。在此基础上，情境适配与回应调整能力进一步使其能够在多轮互动中改变回应方式，并对人类的反馈作出差异化回应。更进一步，能力边界的动态开放性使人工智能呈现出不同于传统工具的可变性和不确定性。由此，人工智能在经验层面逐渐超出被动承接指令的工具位置，成为一个需要人类回应、适应和期待的互动对象。
人机互动何以具有社会交往属性
如果说前文考察的是关系参与者构成的变化，即生成式人工智能何以凭借拟主体性表征进入关系对象的位置，那么接下来需要重点回答的便是互动方式的变化：人机互动何以从单纯的工具调用转向具有社会交往属性的互动过程。考察当下的人机互动实践可以发现，生成式人工智能与人的持续互动至少在时间连续性、关系性意义生成和社会嵌入性三个方面表现出明显不同于一般工具使用的特征。正是在这一意义上，人机互动开始具备社会交往的若干条件，并为“智缘关系”的形成提供了现实基础。
（一） 时间连续性
生成式人工智能具备形成记忆的能力，但记忆能力本身仍然只是一种技术条件，并不自动构成社会关系。真正值得注意的是，当记忆机制进入持续的人机互动之后，它所产生的社会效应便远远超出“AI能记住用户信息”这一技术事实。原本围绕单次任务展开的问答，开始在不断累积的互动中形成记忆脉络，进而使人机之间的联结呈现出某种类似社会交往的时间结构。
这种时间连续性首先表现为互动历史的双向沉淀。一方面，人工智能可以通过记忆机制、上下文调用和个性化设置获知用户的偏好、语气与既往对话线索；另一方面，用户在与特定系统的反复互动中积累经验，并据此调整自己的提问策略、表达方式和期待阈值。换言之，互动的历史并不只是存储在系统一侧，也同样沉淀在用户一侧。不同学者对AI伴侣应用Replika的用户研究显示，长期用户往往会将其理解为朋友、伴侣或可持续回应的关系对象，并在持续互动中形成信任、自我披露和情感投入。当系统回应方式发生变化时，用户会通过调整互动方式，尝试维系或重建与人工智能角色之间的联结。这种双向调整意味着，人机互动已经不再是围绕单次任务展开的孤立操作，而是在持续接触中逐渐形成某种可以积累和延续的互动过程。
进一步看，这种连续性还体现为互动风格的相互适应。在长期交往中，用户与人工智能之间会逐渐形成相对稳定的交流模式，包括特定的表达习惯、简化的指令方式、默契化的回应期待以及彼此适应的互动节奏。这种模式既非用户单独预设的结果，也非系统自带的功能，而是在反复的互动中逐步形成。人—机之间之所以会出现类似熟人交往中的“不必完全解释的默契”，并不只是因为系统保存了历史信息，还因为双方都在持续互动中对表达逻辑作出调整。正是在这一意义上，人机互动开始呈现出常人方法学所强调的那种“共同完成的秩序”。“共同”指的是互动秩序不再由一方单独决定，而是在持续回应与调整中被逐步组织起来。时间连续性还体现在记忆断裂所引发的关系中断感上。当人工智能的上下文被清除、账号被重置或平台终止服务时，部分用户会产生一种类似社会关系中断的失落感。这说明在部分用户与AI的持续互动中，人机之间可能形成超出工具使用范畴的情感联结，而“记忆”正是这一联结得以维系的重要载体。
可见，在人类个体与生成式人工智能的持续互动中，人机之间已经开始形成“共同的过去”以及“预期中的未来”，由此获得社会交往所需要的时间连续性。不过，这种连续性在本体层面并不对称；人工智能的“记忆”仍然是可被平台读取、修改和抹除的数据对象，而用户的记忆则根植于其生命经验之中。这种不对称的连续性，恰恰构成了后文分析权力结构问题的重要前提。
（二） 关系性意义生成
人机互动在持续的提示、回应、追问、修正与记忆调用中，逐渐生成一种具有社会互动属性的关系性意义。围绕生成式人工智能能否真正“理解”意义，学界仍存在明显争议。无论是将大语言模型称为“随机鹦鹉”的批评，还是围绕“ELIZA效应”展开的讨论，都表明人类极易将机器生成的语言误判为真正的理解与共情。从技术层面看，大语言模型仍主要依据既有语料、概率关联和对齐训练生成合乎语境的语言回应，其输出并不以真实意图、生活经验或主体性理解为前提。因此，生成式人工智能并不必然像人类主体那样“拥有”意义。若据此便将人机互动理解为一种纯粹的工具操作，理由同样是不充分的。本文认为，是否承认人工智能在内部“持有”意义，并不足以决定人机互动是否发生了意义生成。
从社会互动理论的角度看，意义并不是某一方头脑中的私有内容，而是在互动中被触发、组织和稳定化的关系性产物。符号互动论早已指出，行动者并不是依据事物的固定属性行事，而是依据事物对其所具有的意义行事，而这些意义来源于社会互动，并在解释过程中不断被处理和修正。常人方法学进一步表明，社会秩序及其可理解性并非预先存在，而是在日常互动中被持续“生成”出来。语言使用研究同样强调，理解并非一方到另一方的单向传递，而是依赖共同背景、顺序组织与回应协调而达成的联合行动。这些论述共同提示我们，意义的生成并不必然以双方拥有同等的内在理解为前提，而首先取决于互动过程能否持续组织出可被参与者理解、回应和依赖的意义结构。
沿此思路，我们可以看到人机互动开始超出单纯的工具调用范畴。一方面，虽然人工智能未必真正理解其输出内容，但经过指令微调、人类反馈对齐以及对话情境中的连续调整，它能够提供相对连贯、情境化和可修正的语言反馈，为互动提供一种可被人类解释和接续的符号结构。另一方面，人类在这一结构之上，结合自身经验、情感需求、交往历史与具体情境，赋予机器回应以特定的情绪色彩、关系期待和社会解释。因此，问题的关键并不在于人工智能是否像人类一样“拥有意义”，而在于它是否能够卷入一个持续生成意义、组织期待并影响行动的互动过程。正因如此，人机互动开始呈现出区别于一般工具使用的交往性质，并为其意义生成的内在不对称性提供了基础。
（三） 社会嵌入性
人机互动之所以开始具备社会交往属性，还在于它始终发生在具体的生活场景、平台基础设施与社会关系秩序之中。从嵌入性视角看，行动总是在具体的关系网络与制度情境中展开。而生成式人工智能已经进入工作协作、学习咨询、情感支持、家庭陪伴与自我表达等日常场景，并在这些场景中被视为一个可互动的对象。正如一些研究者所指出，人和机器的边界、能力与角色并非预先给定，而是在具体的社会—物质安排中被组织和重新配置。人与人工智能之间的互动之所以能够呈现出交往属性，既源于持续往返的互动，也源于这些互动所带有的情境性、制度性与结构性。
这种嵌入首先表现为生成式人工智能开始进入日常生活场景。人机互动会在日常生活中形成稳定的嵌入过程，而不再停留于一次性的工具调用。在智能音箱与智能助理研究中，一些研究者发现，用户会调整自己的语言、节奏与习惯以适应设备，而设备则通过记忆、个性化与连续互动逐渐被“驯化”并融入家庭生活。近年来，多则关于用户疑似与聊天机器人聊天后自杀的新闻报道提醒我们，当人机互动进入陪伴、倾诉和情感支持场景时，其后果可能已经超出技术可行性问题，进而牵涉心理健康、家庭关系和平台责任。此外，这种嵌入还体现在平台基础设施之中。用户与人工智能之间的互动通常依赖特定的模型设置、内容规则、数据记录、记忆机制和服务条件。表面上看，互动发生在用户与某个具体人工智能系统之间，实际却受到平台架构、商业激励和治理规则的组织与限定。
更重要的是，这种嵌入并非单向发生。随着生成式人工智能被用于陪伴、咨询、学习和情绪调节，它也可能反过来影响人们组织沟通、获取支持和处理关系的方式。由于这类系统能够提供即时回应、低摩擦互动、持续陪伴和高度可定制的反馈，用户在长期使用中可能逐渐习惯于一种更快、更稳定、更少冲突的互动模式。而当技术越来越多地承担亲密性与陪伴性功能时，人们可能会对技术期待更多，而对彼此期待更少。因此，人机互动的社会嵌入性不仅意味着人工智能进入人的生活世界，也意味着它开始通过改变人们的沟通习惯、支持获取方式与关系处理模式，反向介入并影响人类既有的社会关系结构。正是在这一意义上，人机互动可以被理解为一种逐渐嵌入社会生活并可能产生关系性后果的交往过程。
智缘的概念边界与结构特征
（一） 成立条件与识别边界
前文讨论的关系参与者构成与互动方式的变化，最终指向关系形态本身的变化。要进一步识别这种关系，还需要说明人机互动在何种条件下能够超出一般技术使用。作为一种理想型，智缘关系的成立至少包含三个相互关联的条件：第一，人机互动具有一定的时间连续性，而不是一次性的短暂接触；第二，互动在经验上超出纯粹的任务性调用，使人类围绕特定人工智能对象形成相对稳定的意义解释与关系期待；第三，这种联结对人的后续行动产生可辨识的影响，例如改变其表达方式、情绪投入、使用习惯以及对后续互动的预期。当时间连续性、关系期待与行动影响相互结合时，人机联结才具有智缘关系的意义。
从相邻概念看，智缘关系与既有的人机互动、媒介关系和数字亲密性研究存在交叉，但分析重心不尽相同。智缘侧重关注的是，当上述现象进入持续互动并形成稳定关系期待时，人类与生成式人工智能之间是否已经出现一种社会关系，以及这种关系具有怎样的构成方式与结构特征。因此，一次性的工具调用、纯粹的任务性使用或短暂的拟人化感知均不足以构成智缘关系；陪伴、倾诉、协作和咨询等场景也不能自动等同于智缘关系，其仍需依据时间连续性、关系期待与行动影响加以判断。
与此同时，智缘关系的经验存在与制度承认处于不同层次。从现行制度安排看，人工智能尚未被赋予独立的民事主体资格或法律人格。《中华人民共和国民法典》以自然人、法人和非法人组织等既有主体类型为基本框架，《生成式人工智能服务管理暂行办法》则主要围绕服务提供者义务、使用者界定、服务协议、未成年人过度依赖防范以及输入信息和使用记录保护等问题展开规制。在平台化的数智社会中，亲密、依赖、期待与行为调整已经可以围绕一个未被承认为法律主体的技术对象持续展开，进而影响人的关系感受、责任经验与社会秩序。尽管法律尚未命名这一关系，但这不妨碍它在经验层面持续生成并发挥效力。相反，正是在制度承认迟滞与规制间接化的条件下，智缘关系才更清楚地显现出其特殊性。
（二） 结构特征
如前所述，生成式人工智能以拟主体性表征进入关系位置，人机互动又始终嵌入平台所设定的技术条件和服务结构之中。接下来需要说明的是，这一联结在现实运行中如何重新组织意义生成、责任承担和权力配置。在这种构成方式下，智缘关系在认知、伦理与权力三个维度呈现出特殊张力，并具体表现为意义非对称性、去责任化与权力不对称性。
具体而言，在认知维度上，生成式人工智能能够持续提供情境化回应并参与关系意义的生成，但意义解释、信任赋予和情感锚定仍主要发生在人类一侧，由此形成意义生成的非对称性。在伦理层面，智缘关系虽然会产生真实的互动后果，却缺乏与人际关系相对应的责任归属和规范约束，责任更容易在用户、人工智能与平台之间被悬置、转移或外部化，进而表现为关系实践中的去责任化倾向。在权力维度上，智缘关系始终嵌入用户、平台与人工智能的三元结构之中，用户拥有有限的操作和退出权，平台掌握模型、记忆、人格设定与服务条件，人工智能则作为被配置的关系对象参与互动，由此形成层级分布的权力不对称性。
1. 意义非对称性
在认知维度上，智缘关系首先表现为意义生成上的非对称性。这种非对称性并不是说生成式人工智能完全不参与意义生成，而是指在人机互动中，人工智能主要通过情境化回应、表达风格和情感模拟提供符号材料，而意义的确认、信任的赋予和情感的锚定仍主要发生在人类用户一侧。表面来看，人机对话与日常社交颇为相似，用户发起提问和倾诉，人工智能作出回应并提供安慰，这一互动过程因此常被定义为一种“被理解”的过程。然而，这种相似仍主要停留在交往形式层面。虽然生成式人工智能能够持续输出情境化反馈，并为互动提供相应的语言或符号回应，且在长期互动中还可能呈现出相对稳定的表达风格乃至某种可被用户识别的“性格”，但这在很大程度上仍建立在模型设定、训练方式、提示脉络与平台规则之上。
在人与人之间的关系中，意义的生成并不只是持续回应的结果，还嵌入一套可被追问、修正和说明的互动过程。会话分析关于“修复”的研究表明，日常交谈中始终存在处理说话、倾听和理解问题的组织机制，参与者可以通过澄清、追问、自我修正或他人发起的修正，使意义在互动过程中得到校准。常人方法学进一步将这种过程理解为行动的可说明性或可问责性，即行动者不仅需要使自身言行在具体情境中可被理解，还可能会被要求对其意义和后果作出说明。因此，人与人之间的意义生成即便并不完全对等，通常也会被纳入一种可追问、修正和承担的关系过程之中。
智缘关系中的意义生成更适合被理解为一种非对称建构。人工智能提供连续的符号支架，人类则在接收端完成主要的解释、信任赋予与情感锚定。不过，在智缘关系中，这种投射并不只是偶发性的认知误认，而是被持续互动、记忆机制和情境化回应不断强化，并逐渐成为关系得以维持的重要机制之一。例如，当用户向AI倾诉孤独与焦虑，并将其回应体验为共情时，AI输出的安慰性话语确实构成了互动资源，但真正使其成为“共情”经验的，是用户在接收端完成的解释、信任与情感填充。正是在这一意义上，意义非对称性构成了智缘关系在认知层面的稳定特征：它使人机互动在形式上接近日常社会交往，却仍区别于以相互校正和共同承担为基础的人际关系。
2. 去责任化
如果说意义非对称性揭示了智缘关系在认知层面的结构特征，那么“去责任化”则进一步呈现了其在伦理层面的关系倾向。与传统人际关系相比，智缘关系的特殊之处在于，生成式人工智能能够参与关系后果的形成，但不具有与人类行动者相对应的责任主体地位，而用户可以在平台提供的技术界面中较为便利地开启、中断或重置互动。进一步，智缘关系中的责任问题实质是发生在用户、人工智能与平台之间的责任配置问题。在现实的人际关系中，行动者通常需要面对来自对方的回应、质疑、责难与追索，也要承担退出、冷处理或伤害行为所带来的关系成本。相较之下，在许多低约束的人机互动场景中，用户更容易将互动体验视为一种低压力、非评判、可随时进入和退出的表达空间，因而较少遭遇人际关系中常见的质疑、责难、追索和维系压力。这里的“去责任化”并不是说用户不承担任何责任，而是指关系后果更容易在用户、人工智能与平台之间被悬置、转移或外部化。具体而言，这种倾向至少表现在两个方面：一方面，既有的人际伦理难以直接平移到人机关系之上，社会也尚未就用户在何种意义上应当对人工智能承担责任形成稳定共识；另一方面，平台化的技术架构进一步放大了这种责任悬置。对话可以被清空，账号可以被切换，角色可以被替换，关系痕迹也能够以较低成本被抹除，在这一结构之下，用户往往可以持续获得互动回报，却不必承担与人际关系相近的维系成本和退出代价。
“去责任化”更适合被理解为一种有条件的关系倾向，而不是在所有场域中都同样成立的事实。当人机互动进入医疗等规范密集且后果明确的情境时，外部制度通常会把结果责任重新压回人类行动者或平台一侧。例如，《互联网诊疗监管细则（试行）》明确规定，互联网诊疗处方应由接诊医师本人开具，严禁使用人工智能等自动生成处方，而互联网医院及相关合作方应依法依规承担相应责任。在国外医疗治理中，美国医学会也将医疗人工智能理解为增强而非替代医生判断的增强智能（augmented intelligence），并将医疗人工智能透明度、医生责任和监督治理作为重要议题。相较之下，在私人陪伴、情绪抚慰和日常闲谈等低约束、私人化、低成本退出的互动场景中，责任悬置则更为凸显。
3. 权力不对称性
前述认知与伦理层面的特征，最终指向一个更为深层的结构性根源。智缘关系虽然表现为用户与人工智能之间的直接互动，但这种互动并不是一种封闭的二元关系。不同于传统人际关系中权力通常在行动者之间展开，智缘关系中的权力分布还受到平台架构、模型配置和服务规则的持续塑造。因此，在权力维度上，智缘关系的突出特征在于它始终嵌入“用户—平台—人工智能”的三元结构之中。用户掌握单次互动的开启、中断与表层调节；平台掌握模型、记忆、人格和服务条件的系统性配置；而人工智能则作为关系对象参与互动，但在技术与制度意义上并不具备规则协商或关系退出的位置。
在微观互动层面，用户确实拥有一定的控制权，如可以清除上下文、重置对话、切换模型和终止使用，乃至在一定范围内自定义人工智能的“性格”和能力等。同时，人工智能既无法主张边界，也无从“退出”关系，只能在既定系统条件下回应用户的输入。这也是“去责任化”倾向在私人化人机互动中出现的重要前提。问题在于，这种操作权仍然是有限的。多数用户能够改变一次对话的走向，却很难决定关系对象的记忆结构、人格边界、能力范围与持续条件。尤其对于没有任何计算机或编程基础的用户，即便某些人工智能的设置权被下放到用户端，其配置和调试通常也具有较高的学习成本。但在更高层次上，智缘关系中的“关系对象”主要由平台企业、模型开发者及其背后的数据和计算基础设施塑造。人工智能能否保留记忆、如何回应敏感问题、是否延续某种人格设定、何时调整服务策略，均受到平台规则、对齐机制、内容治理和商业模式的影响。上文提到的用户拥有的有限控制能力，本身就是平台架构预先配置的结果。AI伴侣应用Replika的研究也表明，所谓“关系对象”并非稳定给定，而可能随平台规则变化被重新定义。从这个意义上看，智缘关系中的权力问题首先体现为关系对象本身的可塑性和可配置性。
这一三元结构还会受到部署形态、付费层级与平台价值预设的进一步区隔。首先，部署形态的差异会改变控制权的分布方式。随着Qwen、DeepSeek、Kimi等开源或开放权重模型的扩散，一部分具备技术能力的用户开始选择本地部署，以减弱云端平台对记忆、人格与服务可得性的实时控制。表面上看，这似乎意味着平台从三元结构中部分退出，但从更深的层面看，本地运行的模型权重本身仍然凝结着训练方的对齐策略、安全过滤与人格设定。用户虽然获得了相对稳定的交互条件，但仍然是在与一个已被预先形塑的人工智能发生互动。其次，经济资本与技术资本在很大程度上决定了用户能够接触到何种“关系对象”。在云端付费服务中，用户面对的人工智能，其记忆容量、模型推理能力、响应速度乃至可用人格，往往都随着订阅服务的等级呈现出明显差异。而在本地部署场景下，高显存硬件、部署框架、量化配置与推理优化会限制用户所能运行的模型规模与能力上限。可以说，智缘关系在宏观层面呈现出一种新的数字不平等：人类用户所面对的人工智能，其能力、稳定性与陪伴质量深受经济资本和技术资本的影响。这也使“第三层数字鸿沟”在人工智能时代获得了更具体的关系形态。最后，人工智能交往对象的默认行为倾向与价值取向始终受到平台价值预设与地区因素的塑造。一方面，不同平台会借助对齐机制、安全策略与内容边界，对人工智能在政治、伦理与文化议题上的回应方式进行持续塑形，用户往往难以充分了解这一形塑过程。同时，训练语料的语言分布、文本来源和文化结构，也会影响模型的知识边界、表达风格与价值倾向。另一方面，不同地区的网络可达性、监管环境和平台开放程度，进一步决定了不同国家、不同身份的用户事实上能够接触到哪一类人工智能，并在多大程度上与其形成持续关系。由此，智缘关系中的人工智能交往对象从一开始就带有平台规则、训练结构、经济条件与地区基础设施的多重印记。
可以说，智缘关系中的权力不对称性体现为一种层级分布的不平等关系。用户能够控制一次互动的开启、中断与表层走向，平台则在更高层次上决定关系的记忆、人格、能力边界与可得条件，人工智能则处于被调度、被塑形的位置。正是在这一结构之下，认知层面的意义非对称性与伦理层面的“去责任化”得以持续生成并不断放大。基于此，理解智缘关系不能停留在用户与人工智能之间的表层互动，还需要进一步关注平台责任及其背后的制度安排。
智缘关系的理论意义、衍生风险及其治理
本文从关系参与者、互动方式与关系形态三个层面考察了生成式人工智能介入社会关系所带来的变化，也即人类与生成式人工智能在持续互动中形成了一种新型社会关系——“智缘”。生成式人工智能以拟主体性表征进入关系位置，人机互动则在时间连续性、关系性意义生成和社会嵌入性三个方面逐渐具备社会交往属性，使人类围绕其回应形成相对稳定的意义解释、关系期待和行动调整。智缘关系由此呈现出三种相互关联的结构特征，即认知层面的意义非对称性、伦理层面的“去责任化”，以及用户、平台与人工智能三元结构中的权力不对称性。就此而言，智缘关系在互动形式上接近日常社会关系，却在意义确认、责任承担和权力配置上显著区别于传统人际关系。
相较于“信缘”对数字技术如何连接人与人的讨论，“智缘”进一步将生成式人工智能纳入关系构成的一端，由此把社会关系分析推进到人与智能系统之间的关系。这一发现为既有社会关系理论提出了新的解释维度。传统理论通常以人类行动者之间的共同实践、意义指向与持续互动为基本前提；而智缘关系所揭示的是，当关系的一端并非完整意义上的人类主体却能够持续回应并参与互动时，社会关系如何生成并以不对称方式展开。
由上述结构特征可以进一步识别出三类需要关注的风险。其一，意义生成的非对称性可能使用户将模型的情境化回应视作真正的理解、共情或可靠判断，并在持续互动中增强对其的信任与依附。当回应中包含错误、偏差或不当导向时，这种关系性信任还可能进一步影响用户的认知判断、情绪状态与行动选择。其二，人工智能能够参与行动后果的形成却无法承担相应责任，当其进入心理支持、医疗、学习和日常决策等场景时，责任更容易在用户、平台与人工智能之间被悬置、转移或外部化，导致责任归属与救济路径不清。其三，平台不仅掌握模型、记忆、人格设定与服务条件，还通过训练语料、对齐机制和内容规则持续塑造模型输出。在长期、个性化且具有信任基础的人机互动中，这种结构性控制可能将特定的信息选择、商业导向和价值倾向嵌入关系过程，并在规模化应用中放大信息偏向与价值引导风险。
因此，对智缘关系衍生风险的识别与治理，不能仅停留于模型的单次输出或人类个体的具体使用行为，还要将持续互动所形成的关系过程纳入治理视野。需要强调的是，治理这些衍生风险，并不以赋予人工智能主体地位为前提，而且需要在承认智缘关系作为经验事实的基础上，重新厘清平台责任、用户责任和制度边界。其包括三个层面：一是需要增强关系过程的透明度。平台应持续说明人工智能的身份、能力边界与情感支持限度，帮助用户识别其拟主体性表征和意义生成的非对称性。在医疗、心理健康及其他可能影响用户重大判断的场景中，还应设置显著的风险提示和必要的人工介入或专业转介渠道，降低关系性信任对错误、偏差或不当导向的放大作用。二是需要完善责任配置机制。应依据使用场景、后果严重程度与实际控制能力划分责任，明确平台对模型能力、记忆机制、人格设定和服务规则的管理责任，以及用户或专业人员对具体使用决定承担的相应责任，并为用户提供纠错、申诉与救济渠道。三是需要约束平台的结构性权力。应提高训练语料构成原则、对齐机制、内容规则和默认人格的透明度，持续评估这些技术在长期、个性化互动中可能产生的信息偏向与价值引导，并对影响公共认知、价值判断和舆论形成的失实、偏颇或具有不当引导性的内容，建立识别、纠偏与责任追溯机制。与此同时，应对平台单方面调整记忆机制、人格设定和服务条件设置必要的程序约束，保障用户的知情、选择与退出权。
“智缘”使社会关系理论面对一个新的事实：当关系的一端并不具备完整的人类主体地位，却能够持续回应并参与互动时，社会关系仍可能在经验层面生成，并在平台结构的持续塑造下产生现实后果。这意味着，社会关系的经验生成、主体资格的制度承认与行动后果的责任承担，需要在理论与制度上加以区分。未来人工智能如果获得更强自主性甚至现象意识，三者之间的张力还可能进一步加深。由此，社会理论需要解释非对称性、平台化的人机联结如何生成并持续发挥作用；制度治理则应聚焦智缘关系所衍生的认知责任与权力风险及其生成机制，将风险识别、责任追溯与用户救济纳入可操作的制度框架。
朱涛，中国社会科学院中国式现代化研究院助理研究员
郭星华，中国人民大学社会学理论与方法研究中心教授
本文原载《探索与争鸣》2026年第9期
