AI 能解決「找不到人結婚」嗎？台灣少子化可能還有一個被低估的 Matching Problem

如果一個人想結婚，也想生小孩，但就是找不到適合的伴侶，育兒補助到底能幫他多少？

答案可能是：至少在現階段，幾乎幫不到。

一場原本從「四個字的口號會不會變成 PSYOP」開始的討論，最後意外繞進台灣少子化，再從少子化一路拆到婚姻、交友、配對演算法與 AI。

最後出現了一個非常簡單，卻經常被人口政策壓縮掉的模型：

WantMarriage = 1

WantChildren = 1

但如果：

Partner = 0

那人口統計最後仍然只能得到：

Birth = 0

更巧的是，台灣政府自己的最新研究，幾乎也走到了同一個結論。

少子化不只是「不想生」，很多人甚至還沒走到能決定生不生的階段

行政院《我國少子女化對策計畫 2.0》引用國科會 2025 年分析指出，20 至 49 歲單身者普遍仍具有婚育意願，但其中有 6 至 7 成身邊沒有穩定交往或約會對象。

這是一個非常重要的 distinction。

因為它意味著人口政策面對的並不只有：

不想生的人。

還有另一大群：

可能想婚、可能想生，但沒有伴侶的人。

兩者最後在出生統計裡都會被記成 0，但背後的原因完全不同。

如果把家庭形成過程拆開，比較完整的漏斗可能應該是：

適婚人口 → 認識對象 → 穩定交往 → 婚姻 → 婚姻維持 → 第一胎 → 第二胎

假設每一階段的轉換率分別為 p1 到 p6，那最後能一路走到第二胎的比例，可以粗略寫成：

P(Second Child) = p1 × p2 × p3 × p4 × p5 × p6

這種乘法結構有一個非常殘酷的特性：不需要任何一關完全崩潰，只要每一關都差一點，最後的人數就能掉得非常快。

例如原本每一關成功率大約為 80%、80%、80%、90%、80%、70%，最後約有 20.6% 能走完整條路徑。

如果每一關只是分別降低到 65%、65%、65%、80%、70%、60%，最後就只剩約 9.2%。

沒有任何一個環節看起來像文明崩潰，但整條 pipeline 的結果已經腰斬。

2025 年真正特別刺眼的，不只是出生數，而是婚姻數

內政部統計顯示，台灣 2025 年只有 104,376 對結婚，相較 2024 年的 123,061 對，大減 15.18%。

同一年離婚及終止婚姻為 52,101 對，年減 2.56%。

這裡不能直接用「離婚數 ÷ 當年結婚數」當成婚姻失敗率，因為兩批人並不是同一 cohort。

但它仍然揭露一個很重要的流量問題：

進入婚姻的人正在快速減少，而退出婚姻的人並沒有以同樣幅度下降。

國發會最新《中華民國人口推估（2026 至 2075 年）》也指出，台灣 2025 年總生育率已降至 0.695；20 至 49 歲女性人口自 2005 年達到高峰後持續下降，20 至 49 歲有偶率也逐年降低。

更值得注意的是，國發會這次甚至首度把 產檢件數與結婚對數納入短期出生人口推估。

換句話說，官方人口模型自己也開始明確承認：

Marriage 是 Birth 的重要 leading indicator。

但如果再往前追一層，就會碰到一個更尷尬的問題。

Marriage 前面還有：

Partner。

育兒政策可能一直在修 Pipeline 的後半段

過去少子化政策最容易被看見的工具，包括育兒津貼、生育補助、托育、幼兒園、育嬰假、人工生殖、社會住宅與租金補貼。

這些政策並不是沒用。

對已經有穩定伴侶、已經結婚，甚至已經準備生育的人來說，住房、托育、職涯與育兒成本當然可能直接影響生育決策。

但如果一個人的狀態是：

Single = 1

StablePartner = 0

那增加第二胎補助對他的第一個 bottleneck 幾乎沒有作用。

這就像一個網站的註冊頁完全壞掉，使用者根本進不了產品，你卻一直最佳化付費頁面。

問題不是付費頁沒有價值。

而是：

使用者根本還沒走到那裡。

值得注意的是，台灣政策現在已經開始往漏斗前方移動。

《少子女化對策計畫 2.0》除了托育與家庭支持，也開始明確討論青年婚育觀、社交互動、拓展交友圈與增加自然相遇機會；政府目前也持續舉辦中央及地方單身聯誼活動。

這代表台灣人口政策開始從：

How do we help parents raise children?

逐漸往前追問：

How do people become couples in the first place?

而日本東京，已經把這個問題交給 AI 試了一部分。

東京的 AI 紅娘已經不是概念，302 對真的結婚了

東京都自 2024 年 9 月正式推出 AI 婚配服務 TOKYO 縁結び。

它並不是一般左右滑卡式交友 App。

加入者需要提交附照片的身分證明、獨身證明、收入證明、個人照片與誓約書，並完成線上面談。

之後系統會透過價值觀測驗，分析：

自己的價值觀

以及：

自己希望另一半具有的價值觀

再由 AI 推薦可能具有較高相容性的對象。

使用者也能依照自己的條件搜尋其他會員，配對後實際見面。如果雙方願意繼續發展，可以進入交往階段，再進一步成為一對一的「真劍交往」，此時系統會停止替雙方推薦其他候選人。

截至 2026 年 8 月 15 日，東京都最新官方數據顯示：

約 39,000 人提出申請

約 16,000 人完成正式登錄

816 對進入真劍交往

302 對完成結婚

這還遠遠不能證明：

AI matchmaking → 生育率上升。

302 對婚姻放進東京巨大的人口規模裡仍然非常小，而且沒有對照組，我們不知道這些人如果沒有平台，是否也會透過其他方式結婚。

但它至少證明一件事：

政府提供 AI 婚配服務，已經從政策簡報走進真實世界，而且確實產生了可觀察的婚姻結果。

更重要的是，東京都自己指出，其調查顯示，在「對結婚有興趣」的人之中，約有七成並沒有實際進行婚活。

所以東京真正試圖解決的問題，並不是強迫不婚者改變人生選擇。

而是：

Interested in Marriage = 1

但是：

Action = 0

以及：

Opportunity to Meet = Low

這和台灣官方提到「6 至 7 成單身者沒有穩定交往或約會對象」，形成了一個相當有趣的東亞共同問題。

AI 真正可能解決的不是愛情，而是 Search Friction

一個住在台北、每天工作九小時的人，實際能認識多少新的潛在伴侶？

同事可能不適合、朋友圈固定、通勤占掉時間，週末剩下休息與個人生活。

就算整座城市裡存在數千名在年齡、價值觀、生活方式與人生目標上高度相容的人，雙方仍然可能一輩子沒有任何交集。

這就是典型的 Search Friction。

經濟學上的婚戀 matching 研究早已指出，配偶選擇不只是「誰條件最高」，還受到實際能遇見誰、搜尋成本、等待成本與雙方是否互相選擇所限制。

一項使用速配資料建立 search-and-matching model 的研究甚至發現，對吸引力差異的估計中，大約只有三分之一接近大家共同認可的「垂直排名」，其餘更大部分來自因人而異的主觀偏好。

也就是說，人類配對並不是單純：

大家都搶排行榜第一名。

很大一部分反而是：

這個人可能普通，但我就是特別喜歡。

這正好說明 AI matchmaking 最有趣的方向，未必是建立一個「全體會員總排名」，而是尋找：

Person A 對 Person B 特別有感，而且 Person B 對 Person A 也可能有感的組合。

數學上真正想預測的可能是：

P(Mutual Interest | A, B)

甚至更進一步：

P(Stable Relationship | A, B)

這和預測誰會得到最多 Likes，是完全不同的問題。

問題是：AI 到底知道什麼叫「適合」嗎？

這裡開始進入最難的一層。

直覺上，我們很容易假設：

價值觀越接近、個性越像、興趣越一致，關係就越穩定。

但現有關係研究並沒有給出這麼簡單的答案。

部分研究發現，某些價值觀與人格特質相似確實與關係滿意度相關，但效果並不一致；有些人格相似度對滿意度的額外解釋力甚至相當有限。

換句話說：

Compatibility 並不是把兩份問卷做 cosine similarity 就完成了。

它更可能包含：

• 人生價值與長期目標
• 是否想結婚
• 是否想生育
• 金錢觀
• 工作與生活安排
• 居住地與移動意願
• 家庭界線
• 衝突處理方式
• 溝通風格
• 性格
• 互相吸引
• 實際相處後產生的化學反應

而最後一項尤其麻煩。

因為它可能只有真正讓兩個人坐下來聊天之後才會出現。

LLM 已經能聞到一點「來電」訊號，但距離愛情預言機還很遠

2026 年《Scientific Reports》一項研究分析 964 場 speed date 的對話資料，測試大型語言模型能否從交談內容判斷雙方是否存在浪漫吸引力。

結果非常有意思。

ChatGPT 與 Claude 確實能從語言中抓到一些訊號，例如正負向情緒、幽默、共同興趣與價值觀對齊。

它們對速配結果的預測甚至能提供一些超出參與者自己預測之外的額外資訊。

但相關強度大約只有 r = 0.12 至 0.23。

也就是：

有訊號，但遠遠不是讀心術。

模型和人類觀察者一樣，會抓到一些真正有用的 cues，也會依賴一些其實沒有預測力的 heuristic。

所以未來 AI 婚配很可能不是：

「AI 看完你的資料，就告訴你靈魂伴侶是第 43872 號會員。」

而比較可能是：

AI 幫你把十萬人的搜尋空間縮到幾十個值得真正見面的人。

真正的最後判斷仍然交給兩個人。

這個定位反而合理得多。

真正的大問題可能不是 AI，而是 Objective Function

目前大多數消費型網路產品都非常熟悉一組 KPI：

DAU、Retention、Session Time、Messages、Clicks、Subscription。

但交友產品有一個奇怪的商業矛盾。

如果一個 dating app 的使命真的是讓使用者找到長期伴侶，那最成功的使用者最後理論上應該會：

刪掉 App。

這和一般社群產品剛好相反。

更有趣的是，Hinge 自己在產品設計資料裡承認，公司早期曾經過度追求 growth、retention 與 time-in-app，最後反而失去原本「讓人真正出去約會並形成關係」的產品目標。

今天 Hinge 甚至直接把自己定位成 designed to be deleted，並在使用者交換電話後詢問約會進展，把真實世界的 date feedback 回饋給推薦系統。

這揭露 AI matchmaking 最重要的一個問題：

我們到底要求模型最大化什麼？

如果 Objective Function 是：

Maximize Engagement

最好的模型可能會讓你不停滑、不停聊天、不停回來。

如果是：

Maximize Match Rate

模型可能優先推薦雙方容易按 Like 的人。

如果是：

Maximize First Date

又會得到另一套推薦。

如果真正的目標是：

Maximize P(Stable Relationship after 2 years)

整套模型、資料、介面與商業模式可能都必須重新設計。

這就不再只是 Dating App。

而比較像一個 Relationship Outcome Model。

甚至可以建立真正的 Relationship Funnel

假設平台在使用者同意的情況下，只蒐集必要 outcome feedback，模型可以從：

Recommendation

追蹤到：

Mutual Like

→ Conversation

→ First Date

→ Second Date

→ Exclusive Relationship

→ 6-Month Relationship

→ 1-Year Relationship

→ Marriage

而不是把「雙方按 Like」當作最終成功。

這會把 matchmaking 從：

Click Prediction

升級成：

Outcome Prediction

甚至可以建立：

MatchScore(A,B) = αV + βL + γG + δC + εR + ζF

其中 V 代表價值觀相容性、L 代表生活模式、G 代表人生目標、C 代表溝通互動、R 代表雙向浪漫興趣訊號、F 代表現實可行性。

但權重不能由產品經理拍腦袋決定，而必須從長期 outcome data 持續驗證。

AI 也可能把婚戀市場變得更糟

這裡不能只看到漂亮的一面。

如果訓練資料本身反映既有偏好，AI 很容易學會並放大它們。

2025 年一項使用 8,378 筆 speed-dating interaction 的機器學習研究，就發現模型能從資料中捕捉到明顯的性別差異與種族偏好。

這不代表 AI 創造了這些偏見。

真正危險的是：

Prediction → Recommendation → Exposure → New Data → Stronger Prediction

如果高收入、高外貌評分或某些 demographic profile 一開始比較受歡迎，推薦模型就可能給他們更多曝光。

更多曝光帶來更多配對。

更多配對又告訴模型：

「看吧，這些人就是比較適合推薦。」

最後形成：

Popularity → Exposure → More Popularity

也就是 recommender system 很常見的 rich-get-richer feedback loop。

原本想降低 Search Friction 的 AI，最後反而可能把大量使用者擠到幾個超熱門候選人的隊伍裡。

這會把：

Matching Market

變成：

Attention Market。

真正好的婚配 AI，可能反而不該問「誰最受歡迎？」

它應該尋找的是：

誰對誰具有特殊的雙向匹配價值？

也就是把「垂直條件排名」和「水平相容性」分開。

例如一個人未必是全平台收入最高、外貌評分最高或最多人按讚的人，但對某一位特定使用者而言，他可能剛好在：

人生目標、幽默感、生活節奏、家庭觀、婚育意願與溝通方式上高度契合。

這種 pair-specific compatibility 才是 AI 真正可能比傳統搜尋篩選更有價值的地方。

可是資料會敏感到令人頭皮發麻

要讓 AI 真正理解婚戀相容性，理論上它可能需要知道：

你的收入。

家庭背景。

婚姻意願。

生育意願。

政治與社會價值觀。

生活習慣。

健康與照顧需求。

宗教。

金錢觀。

居住與移居意願。

甚至過去的關係模式。

模型越懂你，資料治理問題就越嚴重。

因此真正的公共 AI 婚配系統，可能需要比一般社群 App 更高的安全標準。

至少包括：

• Data Minimization
• 明確的用途限制
• 不得拿婚戀資料做廣告 targeting
• 使用者可查看與刪除資料
• 敏感特徵不得被偷偷推論
• 推薦理由具一定程度可解釋性
• 防止付費會員購買不公平曝光
• 外部演算法稽核
• Bias testing
• 身分與單身狀態驗證

東京都要求獨身證明、身分證明與收入文件，本質上也反映了另一個問題：

AI 能算 compatibility 之前，平台必須先確定資料是真的。

Garbage In, Garbage Out 在約會市場同樣成立。

AI 也修不了住房、工時與信任問題

更重要的是，不應把 AI matchmaking 寫成少子化的銀彈。

家庭形成可以粗略寫成：

P(Family Formation) = P(Meet Suitable Partner) × P(Relationship | Meet) × P(Marriage | Relationship) × P(Marriage Survival | Marriage) × P(Child | Stable Relationship)

AI 最有可能改善的，主要是最前面的：

P(Meet Suitable Partner)

以及部分：

P(Relationship | Meet)

但如果後面的問題是：

房價過高、工作時間過長、收入不穩定、育兒成本、職涯懲罰、家庭照顧分工、伴侶信任、關係衝突，AI 並不能把這些變數消失。

它最多只是讓原本可能互相適合的人，更容易跨過第一關。

但在乘法系統裡，只要第一關真的是 bottleneck，改善它仍然可能產生放大效果。

也許少子化政策首先需要回答一個更基本的問題

政府其實應該把未婚人口拆得更細。

例如：

A：不想交往、不想結婚、不想生育。

B：想交往，但目前沒有適合對象。

C：有伴侶，但不想結婚。

D：想結婚，但經濟與住房條件不足。

E：已婚，但不想生。

F：已婚、想生，但受到生理、工作或照顧條件限制。

這六種人最後今年的 Birth 都可能等於 0。

但政策完全不應該一樣。

對 A，最重要的是尊重選擇。

對 B，可能需要降低配對與社交摩擦。

對 C，要理解婚姻制度的成本與信任問題。

對 D，是住房與經濟安全。

對 E，要理解生育意願本身。

對 F，才真正進入托育、職場、生殖醫療與家庭支持。

如果全部壓成同一欄：

未婚／未育青年

政策就很容易拿同一把槌子敲所有問題。

從 PSYOP 聊到 AI 紅娘，問題其實一直沒有離開「演算法」

有趣的是，這整場討論最初並不是從 matchmaking 開始。

最早的問題是：社群媒體裡反覆出現的婚育悲觀、性別敵意與「不婚不生」敘事，到底只是反映社會現況，還是會被推薦演算法放大，進而讓人高估整個社會的敵意與婚戀失敗率？

目前沒有足夠證據證明這些內容造成台灣生育率下降，也沒有證據足以把它直接稱為 PSYOP。

但它帶出一個有點諷刺的可能性：

同一類推薦技術，可以一邊把最容易引發情緒的內容送到你面前，也可以被重新設計，用來幫你找到真正可能適合的人。

前者的 Objective Function 可能是：

Keep User Engaged。

後者則可能是：

Help User Leave Successfully。

這兩個目標，會產生完全不同的演算法世界。

AI 不會製造愛情，但它也許可以讓兩個原本永遠遇不到的人坐到同一張桌子前

這可能才是最合理的期待。

AI 不需要知道你的靈魂伴侶是誰。

它只需要比傳統隨機相遇更有效率地做到：

Search Space ↓

Relevant Candidates ↑

Mutual Compatibility ↑

Wasted Dates ↓

然後把最後一公里交還給真正的人類。

東京都目前的 302 對婚姻還不能證明 AI 可以救生育率。

LLM 對浪漫吸引力的預測能力也遠遠不夠精準。

人格與價值觀相似更不是愛情成功的簡單公式。

但台灣官方已經提供了一個值得高度注意的訊號：

大量仍有婚育意願的單身者，沒有穩定的交往或約會對象。

如果這個現象在更完整的 cohort data 中持續成立，那台灣人口政策真正需要 Debug 的，也許不只有：

How do we make raising children cheaper?

而是更前面的一行：

How do two people who both want a family actually find each other?

AI 可能不是答案。

但至少，它已經讓這個問題值得被重新問一次。