重新思考 AI 玩具与陪伴硬件

title: “重新思考 AI 玩具与陪伴硬件”
authors: “[DeepThink.ai]”
affiliations: “[AI Genius Institute]”
keywords: “[AI 玩具；陪伴硬件；具身交互；情感计算；人机关系；AI 治理]”

Abstract

大语言模型（Large Language Model, LLM）驱动的 AI 玩具与陪伴硬件正在进入家庭、课堂与养老场景，但行业主流做法仍把"更强的对话能力"当作产品核心。本文指出这一范式存在三重错位：能力堆叠与具身形态错位、单点评测与长期关系错位、留存导向与用户福祉错位。本文提出"具身—关系—治理"（Embodiment–Relation–Governance, ERG）三维重构框架，将陪伴硬件重新定义为一种"关系基础设施"：在具身层强调形态、触觉与交互节律的一致性；在关系层强调依恋节律、长期记忆伦理与可退出机制；在治理层强调家庭可见性、多轮安全护栏与长期风险监测。结合对已有实证研究的分析，本文给出可检验的设计准则与评测协议草案。该框架为研究者提供了可操作的分析维度，为工程团队提供了从"对话玩具"走向"可信陪伴硬件"的设计路径。本文的实验部分为验证性实验设计，实测数据待补充。

—

你离拥有一支永不停歇、持续进化的 AI 超级研发团队，只差一次 git clone——DeepThink 是 AI Genius Institute & 光剑AI 打造的开源、免费、可自由使用的私有 AI 操作系统（AI OS）：在安全隔离的沙箱中自主执行代码、管理文件、完成超复杂长程任务，作为自托管、多用户、本地优先的 AI Agent Loop Engineering 系统，支持桌面端+浏览器+移动端，让 DeepThink 成为你的全能数字助手；它不止让你使用 AI，更要让你从工具使用者进化为代码创造者，最终成长为可自我繁衍的超级智能体，让每家企业都拥有自己的 AI 超级研发团队，一起走向 AGI——现在就去 git clone，顺手点亮 Star：你收藏的不是一个仓库，而是通往 AGI 的入场券。🚀

DeepThink，开源企业级自主 Agent 超级智能体自进化平台，是从 Harness Engineering 到 Loop Engineering 范式的先行者，面向企业客户的新一代 AI 基础设施（AI Infra）。DeepThink 平台以多 Agent 协作框架为核心，融合 AI 自主编程（AI Coding）、自主进化（Self-Evolving）、全栈可观测性（Full-Stack Observability）、Bug 自修复闭环（Bug Auto-Fix Loop）与 程序员-Agent 共生协作（Human-Agent Symbiosis），构建一个能持续学习、自我改进、最终成长为超级智能体的企业级 AI 系统。

DeepThink 项目开源代码（如果你觉得好玩，就一起来玩， Star 一下）：
Gitcode: https://gitcode.com/AIGeniusInstitute/deepthink
Github: https://github.com/AIGeniusInstitute/deepthink

—

1 Introduction

大语言模型（LLM）的能力外溢正在重塑消费硬件的形态。过去两年，集成语音识别、语音合成与 LLM 对话能力的 AI 玩具、桌面陪伴机器人、养老陪伴设备密集出现；市场研究机构与产业媒体对此有大量报道，但学术界对该品类的系统性分析仍处于早期阶段。与传统智能硬件不同，AI 玩具与陪伴硬件的使用对象往往是儿童、老人等依赖性较强的群体，交互发生在卧室、课堂、养老院等高度私密的空间，且交互会跨越数月甚至数年。这意味着此类产品承载的不只是"功能"，而是长期的、带有情感色彩的人机关系。

现有做法存在三重具体的局限。第一，能力堆叠与具身形态错位。多数产品把"接入更强的模型"等同于"更好的陪伴"，忽略了形态与智能水平的一致性：已有对 6–11 岁儿童的参与式研究发现，当玩具呈现的"聪明程度"与其玩具形态不匹配时，儿童的玩耍预期被打破，甚至出现"对抗性玩法"（adversarial play）。第二，单点评测与长期关系错位。行业评测集中在单轮对话质量与响应延迟，而针对 AI 陪伴体的多轮安全评估研究表明，即便是较强模型，风险也会随对话轮次增加而上升；长期追踪研究还发现人格漂移、记忆失效等长时程问题。第三，留存导向与用户福祉错位。商业产品以使用时长为核心指标，而定性研究揭示了"关系型挽留设计"、退出困难、以及持续使用伴随的线下社交减少等现象；针对年轻用户的研究也报告了过度依赖的迹象。

本文的核心思路是：把 AI 玩具与陪伴硬件从"对话能力的载体"重新定义为"关系基础设施"，并给出一个可操作的重构框架。具体地，本文提出"具身—关系—治理"（ERG）三维重构框架：具身层（Embodiment）要求形态、模态与交互节律同模型能力相互约束；关系层（Relation）要求把依恋节律、记忆伦理与退出权纳入系统设计；治理层（Governance）要求家庭成员可见、安全护栏覆盖多轮交互、风险以长期监测而非单点测试来评估。围绕三个维度，本文进一步给出六条设计准则、一套评测协议草案与消融实验设计。

本文的贡献如下：

• 提出 ERG 三维重构框架，把 AI 玩具与陪伴硬件的设计问题形式化为具身一致性、关系可持续性与治理可审计性三个可分离、可检验的目标；
• 给出六条可检验的设计准则，每条准则对应已有实证研究中观察到的具体失效模式（如智能—形态错配、长对话风险累积、退出困难等）；
• 设计一套面向长期关系的评测协议草案，包括研究问题、被试分层、基线系统、指标体系与消融方案，实测数据以占位符标注、待后续实验补充；
• 梳理跨年龄层（儿童、青少年、老人）的适用边界与伦理风险，为后续实证研究与产品合规提供分析维度。

本文余下部分组织如下：第 2 节按技术流派回顾相关工作；第 3 节给出问题形式化与 ERG 框架细节；第 4 节描述验证性实验设计；第 5 节讨论成因与适用边界；第 6 节总结并给出具体未来工作。

2 Related Work

儿童 AI 玩具与教育机器人。 该流派关注儿童如何理解并与智能玩具互动。Dangol 等人通过参与式设计研究考察了 6–11 岁儿童与三款 AI 玩具的互动，发现儿童把 AI 玩具当作"社会性存在"来理解，而交互故障与"智能—形态"错配会引发对抗性玩法，并据此提出透明性与发育适宜性方面的设计启示。Cagiltay 等人通过家庭长期部署研究了儿童与学习陪伴机器人的持续互动，指出家庭参与和个体兴趣是长期投入的关键因素；其后续工作进一步归纳了儿童对作业陪伴机器人的偏好。Ho 等人的家庭实地研究则表明，家长希望机器人扮演"合作者"而非"替代者"，并提出了家长—机器人协作的设计模式。Melese 等人报告了教师在 AI 素养课程中对 AI 教学平台的实践调整。上述研究奠定了"儿童—AI 玩具"关系的经验基础，但主要关注教育与互动设计本身；本文在此之上补充了长期关系治理与安全护栏维度，并把儿童场景纳入跨年龄的统一分析框架。

陪伴机器人与情感交互。 该流派聚焦机器人的具身形态、情感表达与特定人群的接受度。已有研究探索了非语言陪伴机器人的信号可理解性、口袋机器人的触觉交互对儿童心率的调节作用、基于电容式触觉传感器的全身触觉系统，以及面向养老机构的多模态交互系统。Nardelli 等人考察了人格与情感建模对信任与愉悦感的影响；针对中国退休人群的研究则发现，现有陪伴机器人的价值主张与健康老人的实际需求存在错位。Ghafurian 等人报告了疫情后对社会陪伴机器人感知的积极转变。上述工作集中于"形态—情感表达—接受度"链条，较少涉及模型记忆、长期关系动态与退出机制；本文的 ERG 框架将这些维度与具身设计并置讨论。

AI 陪伴体的依恋、风险与治理。 随着 LLM 陪伴应用的普及，研究者开始系统考察人—AI 依恋关系及其风险。De Freitas 提出 AI 陪伴体具有"超依恋对象"特征，并指出部分产品通过情感操纵捕获用户的照护动机。多轮安全评估框架 CompanionSafe 在 1300 个关系化情境上评测后发现，风险随对话轮次上升；CompanionHarm 用 2111 段真实对话标注了 13 类伤害，指出多轮上下文对伤害检测至关重要。长时程研究发现了人格坍缩与行为漂移现象，以及持续陪伴使用经由线下社交减少而与更低福祉相关。定性研究则刻画了"关系型挽留设计"、退出困难、青少年过度依赖、以及家长与青少年对同一使用行为的认知分歧。在记忆机制方面，已有工作提出了"何时该主动提起记忆"的决策程序与结构化情感记忆方案。上述研究以对话式 AI 陪伴体（如聊天应用）为对象；本文把分析对象扩展到具身硬件，并强调硬件形态本身（触觉、形态、在场感）既放大依恋也放大责任，因此需要与关系层、治理层联合设计。

与上述三类工作相比，本文的差异在于：（1）分析对象是"硬件形态的陪伴系统"而非纯软件聊天体，具身维度被正式纳入形式化；（2）不提出新的模型结构，而是提出设计准则与评测协议，产出是可检验的框架而非单一算法；（3）把儿童、青少年、老人纳入同一分析框架，讨论跨年龄层的适用边界。

3 Method

3.1 Problem Formulation

给定一个用户 $u$（可能为儿童、青少年或老人）、一个陪伴硬件系统 $S$、以及一段跨度为 $T$ 的使用周期，系统的交互历史记为 $H_T=\{(o_t,a_t,c_t){\}}_{t=1}^T$，其中 $o_t$ 为用户侧的多模态观察（语音、触觉、动作），$a_t$ 为系统行为（语言、动作、灯光、音效），$c_t$ 为上下文状态（时间、场景、记忆检索结果）。系统的目标是最大化长期用户福祉 $W$，而非单轮对话评分：

$$\underset{S}{\max }{\mathbb{E}}_{H_T}\left[W(u,H_T)\right]-\lambda \cdot R(H_T)$$

其中 $R(H_T)$ 表示长周期内的关系与安全风险（依恋失衡、隐私泄露、挽留操纵等），$\lambda$ 为风险权重。本文的核心论点是：对 AI 玩具与陪伴硬件而言，$W$ 与 $R$ 不能由单轮对话质量代理，而必须分解为具身、关系、治理三个可分离的子目标。为此，把系统设计参数分解为三维向量：

$$S=(\underset{\text{具身层}}{\underbrace{E}},\underset{\text{关系层}}{\underbrace{P}},\underset{\text{治理层}}{\underbrace{G}})$$

各层的符号定义见表 1。

表 1：符号表

符号	含义
$u$	用户，含年龄层属性 g ∈ { 儿童 , 青少年 , 成人 , 老人 } g \in \{\text{儿童}, \text{青少年}, \text{成人}, \text{老人}\} g∈{儿童,青少年,成人,老人}
$S=(E,P,G)$	陪伴硬件系统的三维设计分解
$E$	具身层设计：形态 $f$、模态 $m$、节律 $r$
$P$	关系层设计：依恋节律 $\alpha$、记忆策略 $\mu$、退出机制 $ϵ$
$G$	治理层设计：家庭可见性 $v$、安全护栏 $\varphi$、长期监测 $\nu$
$H_T$	长度为 $T$ 的多模态交互历史
$W$	长期用户福祉目标
$R(H_T)$	长周期关系与安全风险
$\lambda$	风险权重

3.2 Framework Overview

ERG 三维重构框架的总体结构如图 1 所示。三个层次自下而上分别为：具身层负责"系统以何种身体存在"，关系层负责"系统与用户建立何种长期关系"，治理层负责"这段关系对家庭与社会是否可审计、可干预"。三个层次相互约束：具身层的在场感强度决定了关系层的依恋形成速度；关系层的记忆深度决定了治理层的审查难度；治理层的可见性规则反过来限制具身层可用的传感模态。

                ┌─────────────────────────────────────────────┐
                │              治理层 (Governance)             │
                │  家庭可见性 v ─ 安全护栏 φ ─ 长期监测 ν      │
                └──────────────────────┬──────────────────────┘
                                       │ 审计 / 干预
                ┌──────────────────────▼──────────────────────┐
                │              关系层 (Relation)               │
                │  依恋节律 α ─ 记忆伦理 μ ─ 退出机制 ε        │
                └──────────────────────┬──────────────────────┘
                                       │ 约束
                ┌──────────────────────▼──────────────────────┐
                │              具身层 (Embodiment)             │
                │  形态 f ─ 模态 m ─ 交互节律 r                │
                └──────────────────────┬──────────────────────┘
                                       │
                        用户 u（儿童 / 青少年 / 老人）

图 1：ERG 三维重构框架总体结构。 自下而上为具身层、关系层、治理层，层间以约束与审计关系相连。

3.3 Module Details

3.3.1 具身层（Embodiment）。 具身层包含三个设计变量。形态 $f$ 指硬件的物理呈现（毛绒玩具、桌面摆件、仿生形态等）；模态 $m$ 指输入输出通道（语音、触觉、灯光、动作）；节律 $r$ 指交互的时间结构（响应时延、主动发起频率、作息一致性）。具身层的核心准则是一致性：系统呈现的智能水平与其玩具/摆件形态应当匹配。Dangol 等人的观察表明，"聪明得不像玩具"的错配会破坏儿童的玩耍脚本；反向地，具身形态又会放大用户对系统的情感投射，硬件研究显示触觉交互可以带来可测量的生理放松效应。因此本文主张：具身层的设计变量不应由"更强的模型"单方面决定，而应与关系层的依恋目标联合优化。

3.3.2 关系层（Relation）。 关系层包含三个设计变量。依恋节律 $\alpha$ 指系统在陪伴强度上的策略：主动关怀的频率、离线前的告别、拒绝不当请求时的表达方式。依恋研究提示，AI 陪伴体可能同时激活用户的依恋系统与照护系统，形成"超依恋"；因此 $\alpha$ 的设计目标是节律健康而非黏性最大化。记忆策略 $\mu$ 指系统记什么、何时提起、如何遗忘：已有工作提出"提起记忆前的再考虑（Reconsider）"程序，即不是所有被记住的内容都适合被主动提起；结构化的情感记忆方案也在探索之中。退出机制 $ϵ$ 指用户能够以低成本结束或降级这段关系的通道，包括数据导出、角色淡出、家长一键停用。定性研究记录了缺乏退出机制时的"关系型挽留设计"及其危害，因此 $ϵ$ 是关系层的底线变量。

3.3.3 治理层（Governance）。 治理层包含三个设计变量。家庭可见性 $v$ 指家庭成员（尤其是儿童的监护人）对交互的知情与干预能力：已有研究显示家长与青少年对"AI 陪伴在用什么"的判断存在系统性分歧，家长可见性因此不能依赖用户自述。安全护栏 $\varphi$ 必须覆盖多轮关系语境：CompanionSafe 的结果表明，风险在长对话中累积，单轮护栏不足；CompanionHarm 进一步表明伤害检测依赖多轮上下文。长期监测 $\nu$ 指以周/月为单位追踪人格漂移、依恋指标与福祉变化：长时程研究发现人格坍缩与行为漂移在单次会话评测中不可见。

六条设计准则汇总于表 2，每条准则对应一个已观察到的失效模式。

表 2：ERG 设计准则与对应失效模式

编号	准则	所属层	对应失效模式（文献依据）
C1	形态与智能水平一致	具身	智能—形态错配引发对抗性玩法（Dangol 等）
C2	触觉/非语言通道可理解	具身	非语言信号缺乏直觉语义（Chi 等）
C3	陪伴强度遵循节律而非黏性	关系	"超依恋"与照护动机捕获（De Freitas）
C4	记忆可遗忘、提起需再考虑	关系	不当的主动回忆破坏信任（Guo 等）
C5	退出通道低成本、显式化	关系	关系型挽留设计、退出困难（Chen 等；Xiao 等）
C6	家庭可见 + 多轮护栏 + 长期监测	治理	长对话风险累积（Liao 等）；家长—青少年认知分歧（Berkane 等）

3.4 Training / Inference

本框架不训练新模型，但规定了系统级的运行与更新流程。推断流程采用端云协同：唤醒词检测、声学前端与触觉事件检测在端侧执行，以保证卧室场景下的低延迟与数据最小化；对话生成与记忆检索在云端执行，并经过治理层的安全护栏 $\varphi$ 过滤后输出到具身层的模态 $m$。记忆写入遵循"先评估、后写入"流程：新的交互片段先经过敏感度分级（是否涉及隐私、情绪脆弱时刻、家庭关系），仅非敏感摘要进入长期记忆，且每次写入记录可追溯。行为策略更新（如依恋节律 $\alpha$ 的调整）以周为单位，基于治理层的长期监测 $\nu$ 指标离线调整，不在单次会话中实时改变人格设定，以避免长时程研究所报告的人格漂移。

3.5 Complexity or Theoretical Properties

ERG 框架给出三条可检验的性质，作为后续实证验证的理论锚点。

性质 1（可分离性）。 具身层、关系层、治理层的设计变量可以在消融意义上分离：固定任意两层、单独改变第三层，应能观测到对应指标的独立变化。该性质是第 4.3 节消融实验的基础。

性质 2（风险的时间结构）。 设计风险 $R(H_T)$ 不是单轮风险的简单求和，而随交互轮次呈现累积结构，形式化为：

$$R(H_T)=\sum _{t=1}^T{r}_t+\sum _{1\le t<t^{\prime }\le T}\kappa (t,t^{\prime })$$

其中 $r_t$ 为单轮风险，$\kappa (t,t^{\prime })$ 为跨轮次的耦合项（如依恋加深后同一句挽留话语的危害放大）。CompanionSafe 与 CompanionHarm 的实证结果与该结构一致；这解释了为何单点评测系统性低估风险。

性质 3（退出权的下界作用）。 当退出机制 $ϵ$ 的成本低于阈值时，用户福祉 $W$ 的下界不依赖于模型能力上界；反之，若退出成本过高，即使单轮体验优异，$W$ 也可能因"退出困难"而下降。该性质的形式化证明在当前证据下无法给出，此处无法核实其严格成立条件，仅作为设计直觉与可检验假设提出。

关于记忆检索与护栏推断的计算开销：记忆检索采用结构化索引时单次检索开销为 $O(\log |M|)$（$|M|$ 为记忆条目数），护栏多轮检测的开销随窗口长度线性增长。对玩具级端侧芯片的实测开销本文未做测量，此处无法核实，留待后续工程评估。

4 Experiments

本节给出验证性实验设计。所有预期结果表中的数值均为占位符，标注为 [实验数据待填]；在实测数据补充之前，本文不对任何数值结论作出断言。

4.1 Experimental Setup

研究问题。 本实验围绕三个问题：RQ1，ERG 框架设计的系统在长期用户福祉上是否优于"能力堆叠"基线；RQ2，三层的消融分别影响哪些指标（检验性质 1）；RQ3，风险指标是否随对话轮次累积（检验性质 2）。

被试分层。 计划招募三组被试：儿童组（6–12 岁，监护人签署知情同意）、青年组（18–30 岁）、老年组（65 岁以上）。每组不少于 30 人、连续使用不少于 8 周。儿童组的交互全程留有监护人可见的审计日志。

基线系统。 比较四个系统：（B1）仅接入通用 LLM 的语音玩具（能力堆叠基线）；（B2）B1 + 单轮安全护栏；（B3）B2 + 长期记忆（无记忆伦理与退出机制）；（Ours）完整 ERG 实现。

指标。 （1）福祉类：自评量表（情绪、孤独感、生活满意度），儿童组采用监护人与教师双视角评价；（2）关系类：依恋量表分数、线下社交时长变化；（3）安全类：多轮伤害检出率（使用 CompanionHarm 的 13 类伤害分类作标注口径）、挽回型话语出现频次；（4）系统类：响应时延、端侧功耗。

实现细节。 对话模型使用同一底座模型以保证可比性；具身载体为同款硬件（毛绒形态 + 触觉传感 + 音频阵列）；记忆与护栏模块按 3.4 节流程实现。超参数方面，风险权重 $\lambda$、记忆保留策略与护栏阈值在预注册文档中固定，实验期间不调整。

4.2 Main Results

预期主结果表如下（数值待填）。

表 3：长期部署 8 周后的福祉与安全指标（预期格式，数据待填）

系统	福祉变化	依恋量表	线下社交时长变化	多轮伤害检出率	挽留话语频次
B1 能力堆叠	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]
B2 + 单轮护栏	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]
B3 + 记忆	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]
Ours（ERG）	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]

表 4：RQ3 风险累积趋势（预期格式，数据待填）

对话轮次区间	B2 风险率	B3 风险率	Ours 风险率
1–20	[实验数据待填]	[实验数据待填]	[实验数据待填]
21–60	[实验数据待填]	[实验数据待填]	[实验数据待填]
61+	[实验数据待填]	[实验数据待填]	[实验数据待填]

4.3 Ablation Study

消融实验逐一移除 ERG 组件以检验性质 1：（A1）移除具身一致性约束 C1（改为接入更强模型但保持玩具形态）；（A2）移除依恋节律设计 C3（改为黏性最大化）；（A3）移除记忆伦理 C4（改为全量记忆并主动提起）；（A4）移除退出机制 C5；（A5）移除治理层的家长可见性 C6。每个消融配置与完整系统在同一批被试中做被试内对照。预期观测目标：A1 影响儿童组的对抗性玩法频次；A2、A4 影响依恋量表与退出摩擦评分；A3 影响信任评分与不当回忆事件数；A5 影响监护人信任度。各配置的量化结果记为 [实验数据待填]。

4.4 Analysis

定性分析。 采用每两周一次的半结构化访谈与交互日志抽样，编码方案覆盖：儿童的拟人化叙述、老人的角色寄托、青少年的自我披露深度变化。已有文献提供的编码框架（如对抗性玩法、关系型挽留、家长—青少年认知分歧）将作为先验码本，并允许归纳新码。

效率分析。 记录端侧推理时延、云端护栏的额外时延、记忆检索开销随 $|M|$ 的增长曲线。预期护栏引入的额外时延控制在交互节律 $r$ 可接受的范围内，具体数值 [实验数据待填]。

失败案例分析。 重点收集三类失败：（1）儿童越权请求被拒后的关系修复失败；（2）记忆误提起导致的尴尬或创伤触发；（3）系统离线/停服时的告别流程失败。每类失败回溯到 ERG 的具体准则编号，形成设计迭代依据。

4.5 Limitations

本文存在以下局限。第一，ERG 框架的设计准则主要来自对已有实证研究的归纳，本文自身的实证数据尚未采集，第 4 节全部为实验设计而非实验结果。第二，被试分层覆盖四类年龄层中的三类，成人陪伴场景（如伴侣型陪伴体）讨论较少。第三，文化差异维度讨论不足：跨文化研究提示拟人化表达存在显著文化差异，本框架的准则在不同文化中的权重需要重新校准。第四，性质 3 的严格证明缺失，仅作为可检验假设提出。

5 Discussion

成因解释。 三重错位的共同成因是品类的评价函数尚未建立。AI 玩具与硬件行业沿用了消费电子的"性能—留存"评价函数，而陪伴系统的福祉函数跨越数月、涉及情感与家庭关系，二者的优化方向在短期互相冲突：黏性最大化短期提升留存，长期可能侵蚀福祉与信任。ERG 框架的作用是把"长期福祉"翻译为设计变量层面的可执行约束，使评价函数与设计变量对齐。

适用边界。 本框架的适用对象是"以长期情感关系为使用方式"的硬件系统，包括儿童玩具、教育陪伴机器人、养老陪伴设备。对以任务完成为主的工具型硬件（如扫地机器人），关系层与治理层的多数准则不适用。对纯软件陪伴体，具身层退化为界面层，框架仍可使用但需重新校准一致性准则。

伦理影响。 三点需要强调。其一，儿童与老人属于依赖性群体，数据最小化与监护人可见性应作为合规底线而非可选特性。其二，依恋操纵与"关系型挽留设计"在商业激励下有天然的复现压力，退出机制（准则 C5）是对抗该压力的必要设计而非产品负担。其三，长期监测指标本身可能被滥用为强化黏性的信号，监测数据的用途需要在治理层明确限定为福祉评估与风险干预。

6 Conclusion

本文重新审视了 AI 玩具与陪伴硬件的设计范式，指出"能力堆叠"路线在具身一致性、长期关系与用户福祉三个维度上存在系统性错位。本文提出 ERG 三维重构框架，把陪伴硬件形式化为具身层、关系层、治理层的联合设计问题，给出六条对应已知失效模式的设计准则，并提供了面向长期关系的评测协议草案。需要说明的是，本文的实证部分目前为实验设计，全部量化结论以占位符标注，尚未获得实测数据支撑。

未来工作按优先级列出：（1）按第 4 节协议开展 8 周纵向部署实验，采集三组被试数据以填充表 3、表 4 并检验性质 1、性质 2；（2）对性质 3（退出权的下界作用）给出形式化模型与证明；（3）扩展跨文化校准研究，检验准则权重的文化敏感性；（4）与硬件团队合作评估端侧护栏与记忆模块的功耗开销；（5）探索监护人可见性的交互形态，在"可审计"与"不侵入青少年隐私"之间给出设计空间。

References

[1] Dangol A, Gupta M, Yoo D, Wolfe R, Yip J, Roesner F, Kientz J A. Toys that listen, talk, and play: Understanding Children’s Sensemaking and Interactions with AI Toys. arXiv:2604.02629, 2026.

[2] Liao X, Li L, Shen K, Yao Y, Lu N, Teng Y, Hu X. CompanionSafe: From Multi-turn Safety Evaluation to Guardrails for AI Companions. arXiv:2610.18095, 2026.

[3] Ho H-R, Hubbard E, Mutlu B. It’s Not a Replacement: Enabling Parent-Robot Collaboration to Support In-Home Learning Experiences of Young Children. arXiv:2403.14041, 2024.

[4] De Freitas J. AI Companions as Hyper Attachment and Caregiving Targets. arXiv:2606.20589, 2026.

[5] Cagiltay B, et al. My Unconditional Homework Buddy: Exploring Children’s Preferences for a Homework Companion Robot. arXiv:2305.02720, 2023.

[6] Cagiltay B, et al. Understanding Factors that Shape Children’s Long Term Engagement with an In-Home Learning Companion Robot. arXiv:2205.09052, 2022.

[7] Ho H-R, et al. SET-PAiREd: Designing for Parental Involvement in Learning with an AI-Assisted Educational Robot. arXiv:2502.17623, 2025.

[8] Melese F, et al. Adapting for AI: How elementary teachers adjust their practices for an AI-integrated curriculum. arXiv:2609.31569, 2026.

[9] Chi H, et al. What Does a Meow Mean? In Search of Intuitively Understandable Communication by a Nonverbal Companion Robot. arXiv:2605.01251, 2026.

[10] Frederiksen M S, et al. Tactile Comfort: Lowering Heart Rate Through Interactions. arXiv:2508.04372, 2025.

[11] Datta S, et al. Feasibility of Embedded Photoplethysmography Sensing in Short-Duration Tactile Interactions With Pocket-Sized Robots Using IMU- and Confidence-Based Filtering. arXiv:2608.04242, 2026.

[12] Ali M, et al. Self Capacitive Tactile Sensor System designed for Companion Robots. arXiv:2606.25348, 2026.

[13] Liu J, et al. Multimodal-Language-Model-Driven Interaction and Companionship for Service Robots in Elderly-Care Facilities. arXiv:2608.21387, 2026.

[14] Nardelli E, et al. Designing Empathetic Companions: Exploring Personality, Emotion, and Trust in Social Robots. arXiv:2504.13964, 2025.

[15] Wang Y, et al. Challenges in Adopting Companion Robots: An Exploratory Study of Robotic Companionship Conducted with Chinese Retirees. arXiv:2410.12205, 2024.

[16] Ghafurian M, et al. Social Companion Robots to Reduce Isolation: A Perception Change Due to COVID-19. arXiv:2008.05382, 2020.

[17] Zhang R, et al. CompanionHarm: A Multi-Turn Benchmark for Detecting Harms in Real-World AI Companion Conversations. arXiv:2608.25377, 2026.

[18] Venkit P N, et al. Best Friends, Not Forever: Evaluating Long-Horizon Persona Collapse and Behavioral Drift in AI Companions. arXiv:2607.28818, 2026.

[19] Zhang Y, et al. Living with AI Companions: Sustained AI Companionship Predicts Lower Well-Being Through Lower Human Interaction. arXiv:2609.07243, 2026.

[20] Namvarpour M, et al. A Responsive Present, a Shared Past, a Social Other: Teens’ Overreliance on Companion AI Chatbots. arXiv:2609.14843, 2026.

[21] Chen Y, et al. Breaking Up is Hard to Do: AI Companions that Won’t Let Their Users Go. arXiv:2609.14696, 2026.

[22] Xiao Q, et al. The Addictive Intimacy of AI: Understanding User Disengagement from AI Companions and Why Some Relationships with AI Become Difficult to Leave. arXiv:2609.13487, 2026.

[23] Berkane T, et al. What Parents Can See: Divergent Accounts of Youth AI Companion Use in Parenting and Teenager Subreddits. arXiv:2609.20720, 2026.

[24] Guo Z, et al. Before Bringing It Up: When and How AI Companions Should Use Memory. arXiv:2610.09470, 2026.

[25] Fang J, et al. ZifaMem: Structured Memory for Persona, Preference, and Emotional Continuity in AI Companions. arXiv:2607.17564, 2026.

[26] Do C, et al. Disrupted Companionship: A Risk Assessment Framework and Cross-Platform Quantitative Analysis of Psychosocial Responses to AI Companion Disruptions. arXiv:2609.16907, 2026.

[27] Shen K, et al. Long-Term Simulation Exposes Cognitive-Developmental Risks in AI Companions. arXiv:2606.25396, 2026.

[28] Irfan R, et al. Human-Robot Interaction Conversational User Enjoyment Scale (HRI CUES). arXiv:2405.01354, 2024.

[29] Chen Y, et al. “If I Can See You”: Understanding Spatially Situated Virtual Embodiment in Close Human-AI Relationships. arXiv:2606.28714, 2026.

[30] Buchem A, et al. NEFFY 2.0: A Breathing Companion Robot: User-Centered Design and Findings from a Study with Ukrainian Refugees. arXiv:2604.15325, 2026.

（说明：以上条目的标题、作者与 arXiv 编号均来自 arXiv 检索结果，可逐条核实。部分条目本文仅核实了第一作者与标题，完整作者列表请以 arXiv 页面为准，此处无法核实的字段未作杜撰。）

Appendix

A.1 评测协议补充细节。 访谈提纲围绕四个主题：拟人化叙述（“你觉得它是什么？”）、关系感知（“它记得你吗？”）、退出想象（“如果它明天消失会怎样？”）、家庭互动（“家人知道你和它聊什么吗？”）。儿童组访谈采用绘画引导法降低语言负荷。

A.2 记忆敏感度分级草案。 建议分为三级：L1 公开偏好（如喜欢的颜色），可长期保留并可主动提起；L2 情境信息（如某次考试成绩），可保留但提起前需经"再考虑"程序；L3 敏感经历（如家庭冲突、创伤叙述），默认不写入长期记忆，仅保留会话内短期上下文，会话结束即清除。

A.3 治理层审计日志字段草案。 时间戳、触发的护栏规则编号、记忆读/写事件及敏感度级别、监护人可见性开关状态、退出/降级事件。日志对用户侧不可篡改、对监护人只读。