✍️ 作者：蔡依橙

AI 工具用了很久，各種體會也一直在分享。好用的說好用，做不到的說做不到，壓力測試的結果、目前 AI 力所未逮的地方，都盡量如實記錄下來。

只是，每次這麼做，就有人留言：「我看你是不懂喔。AI 哪有問題，有問題的是你。」

這個回應反覆出現，讓人意識到一件事：網路上已經形成了某種不可質疑的 AI 信仰。這不是科技樂觀主義，是更接近宗教的東西。因為各種有心無心的惡意讓人疲倦，我最近也逐漸改為專注在真實世界的應用與面對面的分享。

這篇文章，我想從認識論的角度，認真分析這個現象是怎麼來的，以及歷史上有哪些一模一樣的先例。

🧠認識論是什麼

認識論（Epistemology）研究的核心問題只有一個：

我們怎麼知道我們知道的是真的？

它不是在問「什麼是真的」，而是在問「我們用什麼方法判斷一件事是真的」。具體來說，有三個子問題：

  • 知識從哪裡來？經驗？推理？權威？直覺？
  • 我們能知道多少？有沒有原則上就無法知道的事？
  • 我們怎麼驗證一個說法是可靠的知識，而不只是信念？

哲學家卡爾·波普爾（Karl Popper）提出了「可證偽性」（falsifiability）作為判斷科學知識的標準：一個說法，必須有可能被某個證據推翻，它才是科學命題。如果一個說法怎麼樣都不會被推翻，任何反例都能被「解釋掉」，那它就不是知識，是信仰。

🔷 為什麼這跟 AI 有關？

「AI 沒有問題，做不成都是你的問題」這個命題，是不可證偽的。

任何 AI 的失敗，都可以被解釋為「使用者技巧不夠」「使用方式不對」「使用情境不對」。這個防禦機制讓命題永遠安全，但同時讓它失去了成為可靠知識的資格。

認識一項工具的能力邊界，只有一個可靠方法：實際測試、記錄失敗、找到邊界。這不是針對 AI 的特殊要求，是經驗主義的基本精神，用壓力測試取代信仰。

📡網路上的信仰式認識論

職涯與 AI 成敗深度綁定的人，在網路上的聲量特別大。

自我認同與 AI 的成敗一旦綁定，邏輯就清晰了：AI 越厲害，他們越有價值；AI 被質疑，等於自我被質疑。放大、壓制負面聲音，不只是惡意，更是結構。

這不一定是他們刻意選擇的，是利益結構自然導致的行為模式。你的職涯、你的影響力、你的身份認同，都建立在「AI 可以做到這件事」的基礎上。當有人說「AI 做不好這個」，他們感受到的是一種個人攻擊。

還有另一個結構原因：平台的流量邏輯偏好確定性和興奮感。「AI 超強，什麼都能做」比「AI 在這個情境下有這個限制」更容易傳播。所以演算法主動篩選了那種絕對式的 AI 崇拜論調，讓它在網路上的佔比遠高於它在真實世界的比例。

⚡ 線上 vs 線下的落差

在研究課程的場合，我與已開始積極應用 AI 工具的資深研究者討論，得到的反饋幾乎一致：AI 搜尋篩選文獻、AI 萃取數據、AI 跑統計、甚至 AI 寫成文章，產出看起來有那個樣子。但過程需要認真確認，且錯誤出現的地方沒有規律。整體來說，花的時間比親自做還要久很多。

有實際領域經驗可以對照的研究者，往往更清醒。沒有領域知識的人，只能看外觀，而 AI 做出來的外觀往往能唬住一般人。

📚歷史上的三個先例

這種模式：某項工具或理論的支持者，用信仰式認識論防禦它，歷史上反覆出現。

1
佛洛伊德精神分析
信仰式認識論的教科書案例

精神分析最巧妙也最致命的設計是：治療失敗的解釋，直接寫進了理論本身。病人沒有好轉？那是「抗拒」（resistance），病人的潛意識在阻礙治療。

這讓批評者永遠無法攻破：任何反例都被吸收成支持證據。理論永遠正確，失敗永遠是「你的問題」。

這正是波普爾提出「可證偽性」的歷史背景。他點名精神分析：一個設計成不可能被推翻的理論，不是科學，是信仰系統。

結構類比：「治療失敗一定是病人在抗拒」= 「AI 做不成一定是你的問題」
2
IBM Watson Health 的失敗
職涯與工具的命運深度綁定

IBM 把 Watson 定位成能診斷癌症的 AI，大量腫瘤科醫師和研究者的職涯跟它綁在一起。2010年代中期，Watson Health 是矽谷最受矚目的 AI 醫療計畫。

但後來在 MD Anderson 等頂尖醫院的實際導入，一再失敗。Watson 給出的建議，腫瘤科醫師認為不安全或不實用。

IBM 的標準回應：「醫院資料不夠乾淨」「實施不夠徹底」「醫師不夠配合」。從來沒有人說這是技術本身的問題。2021 年，IBM 把 Watson Health 賣掉。

不是因為它成功了。

結構類比：Watson 失敗 → 「醫院問題」；AI 用不成 → 「使用者問題」
3
社群媒體的阿拉伯之春樂觀主義
工具中立論，使用者責任論

2011 年前後，矽谷人有一個深切的信仰：Twitter、Facebook 會帶來民主革命。「推特革命」「Facebook 革命」，這些詞在媒體大量出現，科技樂觀主義達到高峰。

接下來發生的事，大家都知道：阿拉伯之春之後，多數國家陷入更深的威權或混亂。社群媒體開始被用來傳播仇恨、協調大規模監控。

矽谷的回應：「工具是中立的，是人用壞了。」不是技術有問題，是人類有問題。平台設計帶來的成癮機制、演算法放大的憤怒情緒、商業模式對極端內容的隱性獎勵，這些都不存在，只有人類的軟弱。

結構類比：「社群媒體中立，濫用是人的問題」= 「AI 中立，用得不好是你的問題」

🔭為什麼這種模式反覆出現

以上三個案例有相同的結構。有兩個理論框架，特別能解釋這個現象為什麼如此普遍，如此頑固。

📖 Eric Hoffer《狂熱分子》（The True Believer, 1951）
Hoffer 研究群眾運動為何需要「不可質疑的教條」。他的核心論點：真正的信徒需要事業絕對正確，因為他們的自我價值是寄生在這個事業上的。一旦事業被質疑，他們的存在意義就動搖了。所以防禦批評不只是情緒反應，是生存本能。
📖 Nassim Taleb《風險共擔》（Skin in the Game, 2018）
推薦 AI 萬能的人，如果 AI 用失敗，代價由使用者承擔，不由他們承擔。這解釋了為什麼他們可以那麼樂觀，因為樂觀對他們沒有成本。如果你必須承擔你推薦工具的後果，你的評估就會精確得多。沒有共擔風險，評估就永遠樂觀。
📡 演算法偏好確定性
平台的流量邏輯獎勵簡單、確定、令人興奮的內容。「AI 能做任何事」比「AI 在這個情境下有這個限制」更容易傳播，後者需要思考、前者給人安全感。演算法主動篩選極端樂觀論調，讓它在網路上的比例遠高於真實世界。這不只是人的問題，是結構。

🛠️回到基本：壓力測試

方法說來簡單：把對待任何工具的科學態度，直接用在 AI 上。

  1. 設定任務，實際執行：不要只看別人的截圖和分享，自己動手試。
  2. 記錄失敗，不只記錄成功：失敗的例子和成功的例子同樣重要，因為它們一起定義了工具的邊界。
  3. 找邊界，不要找神話：「AI 在 A 情境下表現好，在 B 情境下表現差」比「AI 超強」是更有用的知識。
  4. 分享真實結果，包括不好的：如果你只分享成功，你不是在分享知識，你是在做行銷。

這不是在唱衰 AI。我用 AI 工具，AI 確實在許多地方改變了我的工作。但「AI 進步很多」和「AI 什麼都能做」是兩件不同的事。承認前者，不代表要接受後者。

✅ 認識論上的清醒

一個你不敢說「做不到」的工具，不是神，是你不敢碰觸的禁忌。真正懂得使用 AI 的人，一定知道它的邊界在哪裡，因為他們曾經走到那個邊界，記下來，然後避開它，或用其他方式繞過去。

💡結論

這篇文章不是在說 AI 不好。AI 很好，而且會越來越好。

這篇文章是在說：我們認識 AI 的方式，決定了我們能不能真正用好它。用信仰式認識論認識 AI，你得到的是一個不可質疑的神；用壓力測試的認識論認識 AI，你得到的是一個有邊界、可依賴、真正實用的工具。

精神分析的問題不是「心理治療本身是錯的」，而是它把自己包裝成不可質疑的系統。IBM Watson 的問題不是「AI 不能用於醫療」，而是它的支持者不允許失敗存在。社群媒體的問題不是「人們不該連結」，而是平台設計的後果被刻意迴避。

AI 的問題，如果有的話，也不在這個方向。

問題在於：當有一群人的自我認同和 AI 的成功深度綁在一起時，誠實的評估就變得不可能。而當演算法又主動放大這群人的聲音時，整個網路的知識生態就被污染了。

我選擇繼續做壓力測試，記錄失敗，找邊界。不一定在網路上大聲說，但我知道我的認識論是什麼。