常常凌晨三點醒來,是生理時鐘作怪,還是哪裡出了問題

常常凌晨三點醒來,是生理時鐘作怪,還是哪裡出了問題

目錄

理解幾點醒、怎樣醒和被什麼叫醒的背後

睡眠這個領域,我既熟悉又陌生,這篇文章記下我的一次學習和探索。過去幾年,我嘗試解決被困擾多年的睡眠問題,既試過西醫安眠藥和保健品,也試過中醫各種方子。我發現網上大部分解法只告訴人怎麼做,卻不交代為什麼。這杯茶怎樣喝、這個穴位怎樣按,總有一套說法;背後的道理,往往一句也沒有。於是,我決定自己把來龍去脈查清楚,先從凌晨三點醒來這個題目開始。

說到凌晨醒來,網上流傳得最廣的有兩種說法。一種說,一至三點屬肝,三至五點屬肺;另一種說,古人一晚分兩段睡,中間有一段清醒,這叫分段睡眠(segmented
sleep);半夜醒來是遺留下來的本能,放鬆接受便好。兩種說法方向不同,卻都容易把一次夜醒直接解釋為:一種按時辰對應臟腑,另一種把夜醒當成古人分段睡眠的延續。

只看醒來的那一刻,時鐘沒有交代這一晚幾點入睡、醒了多久、能否再睡,有沒有鼻鼾喘醒、喉乾咳嗽、胃酸上湧、心悸出汗或要排尿,也沒有交代第二天精神怎樣。缺少這些,凌晨三點既診斷不了肝肺,也證明不了身體正在重演古人的睡眠習慣。

醒來的時間仍然有其參考價值。固定時間反覆醒來,可以記進睡眠日誌,讓後面的判斷有資料可依。問題是,線索還未經判斷,網絡上充斥的養生口訣已經把它寫成答案。要判斷一次醒來算不算問題,先要知道一晚正常的睡眠是什麼模樣。

閱讀導引:按目錄可直接跳到某章節

正常的一晚睡眠

先看睡眠醫學怎樣描述正常的一晚。睡著之後,大腦不會維持同一狀態直到天亮,正常睡眠會反覆經過非快速眼動睡眠(NREM)和快速眼動睡眠(REM)。NREM
由較淺逐步進入深層睡眠,REM
則常伴隨快速眼球活動和較生動的夢境。一個成人每晚通常經歷數個睡眠周期,前半夜較多深層
NREM,後半夜 REM
比例逐漸增加。周期轉換、姿勢改變、環境聲音或身體感覺,都可能伴隨短暫覺醒。

睡眠檢查還會記錄微覺醒(arousal),即腦電活動短暫轉變,有時只有數秒;人未必完全醒來,翌日也未必記得。短暫微覺醒可以是正常睡眠的一部分,若頻繁出現,則要結合其他情況評估。至於真正醒來,看過時間、想了一輪,躺了半小時仍睡不回去,便值得再找原因。

一晚睡眠在清醒、REM、淺層和深層 NREM 之間起伏,前半夜深層較多,後半夜 REM 較多,其間有短暫的微覺醒。

資料:NHLBI。

年齡也會改變睡眠。Ohayon
等人的整合分析
(meta-analysis,又稱薈萃分析,即把多項研究結果合併分析)顯示,健康人由成年走向老年,總睡眠時間和睡眠效率整體下降,入睡後清醒時間增加,深層睡眠也減少。年紀漸長,夜醒更常見,也更容易被察覺。鼻鼾、日間嗜睡或每夜多次排尿若同時出現,都是判斷夜醒原因的重要線索。

再看醫學上怎樣界定失眠。慢性失眠障礙(chronic
insomnia
disorder)指人在有足夠睡眠機會下,仍反覆出現入睡困難、夜醒後難再睡或過早醒來,並影響日間的精神、專注、情緒和工作,頻率達每星期至少三晚,持續至少三個月。一次凌晨醒來,離達到這種睡眠障礙的門檻還很遠。

古人是否每晚睡兩次

查分段睡眠時,我先從史料看起,發現這個說法確有出處。歷史學者 A. Roger
Ekirch 從日記、文學、醫書、禱告書和法庭證詞整理出相關材料,顯示「第一睡」和「第二睡」曾是前工業歐洲的常見說法。部分人入夜後先睡一段,午夜前後醒來,照顧火爐和牲畜、祈禱、談話或處理家務,之後再睡到天亮。某些史料把「第一睡後」當作不必解釋的時間標記,說明當時讀者熟悉這種說法。

連續睡一覺到天亮,與分段睡在午夜前後有一段清醒期再睡到天亮的對比。

資料:Ekirch(2001);Boyce(2023);Ekirch(2024)。

史料只能證明有人這樣睡,要估計有多少人,便困難得多。歷史文本沒有完整的人口名冊,查不出多少人每晚睡兩段、多少人偶爾醒來、多少人整夜連續睡。「第一睡」有時也可能指前半夜或較深的一段睡眠,或者出現在疾病、守夜、飲酒、旅行和監禁等特殊情境。

分段睡眠有多普遍,學界仍有爭論。Niall Boyce
在2023年重新檢視
早期現代英格蘭的材料,指出部分引文可以有其他解讀,也沒有足夠證據把固定而漫長的午夜清醒推廣到整體人口。Ekirch 其後回應,認為
Boyce
忽略了後來累積的大量材料,包括明確寫出第一睡後醒來、活動、再睡,以及第一睡後服藥的醫書。這場爭論沒有否定分段睡眠的存在,爭的是它是否曾經主導大多數人的睡眠。

史料之外,還有實驗室的結果。Thomas Wehr
在1992年的實驗
把受試者置於每天十四小時黑暗和休息的環境,數星期後,部分人的睡眠逐漸分成兩段,中間有一段平靜清醒。人類睡眠因此有可塑性,在長黑暗和充足臥床時間下可以形成雙相睡眠(biphasic
sleep,即一天的睡眠主要分成兩個時段,也可以是一段夜眠加一段日間睡眠)。這項實驗中的兩段睡眠都出現在較長的黑暗期內;受試者被安排在無窗黑房,夜間活動受限制,樣本也很小,與一般家庭生活實況相距甚遠。

田野研究方面,我最初讀到的一篇二手介紹,把馬達加斯加一個沒有電力的農耕社群寫成居民大多仍睡兩段。回到2017年的原始研究,我才發現樣本只有21名參與者,在292個觀察日中,活動記錄顯示49%的夜晚出現午夜後活動高峰,結果與分段睡眠相容。研究者據此認為該社群的睡眠呈分段,但這不足以證明大多數居民每晚都固定睡兩段。Yetish
等人觀察三個非工業社群
,更沒有發現規律而漫長的午夜清醒時段。可見沒有電力,也不會自動產生同一種睡眠狀況。

馬達加斯加無電社群研究有21名參與者和292個觀察日,49%的夜晚出現午夜後活動高峰,結果與分段睡眠相容。

資料:Samson 等(2017);Yetish 等(2015)。

人類的睡眠本來就多樣,可以整夜連續,也會因環境形成分段夜眠,部分睡眠還可能放在日間。光照、季節、溫度、家庭活動、育兒、共眠、工作時間和文化習慣,都會改變睡眠的狀態。凌晨三點醒來,可能只是睡眠周期轉換,也可能由疾病或環境引起;分段睡眠的歷史,解釋不了某個人為何在這一刻醒來。

Ekirch、Boyce、Wehr、Samson 和 Yetish 五項研究的方法、發現和限制一覽。

資料:Ekirch(2001, 2024);Boyce(2023);Wehr(1992);Samson
等(2017);Yetish 等(2015)。

電燈、工廠和第二睡的消失

常見的說法還把第二睡的消失歸因於電燈和工廠。兩者的證據強度不同,要分開來看。電燈有生理證據,油燈、煤氣燈和電燈令晚間活動延長,現代室內光也會影響晝夜節律(俗稱生理時鐘)。Wright
等人的自然光露營實驗
顯示,離開日常人工照明後,參與者的生理時鐘明顯提前。一項針對阿根廷 Toba/Qom
社群的比較研究
也發現,可以使用電燈的社群較晚上床,部分季節的睡眠較短。

這些研究支持光照模式會影響生理時鐘和睡眠時間,晚間變亮可能是其中一個因素,卻不足以證明電燈單獨消滅了第二睡。工廠的上班鐘則屬歷史推論,E. P. Thompson
對工業時間紀律的研究
顯示,工業化令工作逐漸由完成任務轉向依時鐘、班次和準時要求安排,固定上班時間可能減少清晨再睡的空間。城市路燈、晚間商業、咖啡館和咖啡因也可能參與轉變,但各自產生的影響沒有可靠的人口數字來證明。

所以,「工業革命後才有連續八小時睡眠」說得過於肯定。工業化是一段漫長而地區差異很大的過程,八小時也是後來形成的社會規範。現代睡眠醫學關心睡眠是否足夠、日間功能有沒有受影響,並沒有規定每個人都要剛好睡八小時、整晚不醒。

為什麼總在差不多時間醒

固定在相近時間醒來,像是身體設了鬧鐘。睡眠同時受兩套機制調節,睡眠醫學稱為睡眠穩態和晝夜節律(生理時鐘)。清醒時間愈長,睡眠壓力通常愈高,睡了一段時間後減弱;生理時鐘則按光暗、作息和身體內部時間,調節何時較容易清醒、何時較容易入睡。如果作息相近,兩套調節每天的變化也可能相近,讓人在相同時段較容易醒來。

同一個「三點」,換成入睡後過了多久來看,意義便不同。晚上十時入睡的人,到凌晨三時已過了五小時;凌晨一時才睡的人,同一時間只過了兩小時。兩人所處的睡眠階段和累積睡眠量可能不同,還要看中途有沒有醒來。若傍晚已經很睏、清晨也自然早醒,可能是生理時鐘整體偏早;若平日和假日的作息相差幾小時,工作時間、補眠和光照也可能影響生理時鐘和夜醒的時間。

環境也是其中一個因素。清晨的垃圾車、冷氣定時關閉、窗外第一班巴士、伴侶翻身、寵物活動、室溫下降後回升,都可能把人叫醒。酒精初期令人較快入睡,血液酒精濃度在後半夜下降後,睡眠可以變得較淺和零碎。部分藥物的作用時間、夜間疼痛、潮熱和胃酸倒流,也可能形成固定時點。固定在三點醒,只能提示某個誘因可能在相近時間出現;單憑這個時間,不能判定是哪個臟腑出了問題。

還有一個值得留意的情況。反覆夜醒、看鐘和擔心睡眠,可能逐漸令睡床或睡眠情境與警覺連在一起,形成條件化覺醒(conditioned
arousal)。一睜眼便拿手機、計算睡眠、擔心明天精神,可能令人愈來愈難放鬆;最初由噪音、壓力或身體不適引起的夜醒,在原因減弱後仍可能持續。固定時間因此既可能有身體或環境誘因,也可能受到警覺和睡眠習慣影響。

晚上十時入睡和凌晨一時入睡的人,到凌晨三點分別已過五小時和兩小時,以及睡眠穩態、晝夜節律和環境因素。

資料:作者整理。

丑時屬肝的來歷

網絡上經常看到關於十二時辰與臟腑的口訣,為追查其來歷,我翻查過中醫古籍。這套說法有傳統文獻淵源,但古籍所說的範圍比網絡口訣小得多。先從《靈樞》看起。《靈樞·營氣》記述營氣(行於脈中、滋養全身的氣)循十二經相接而行,次序由肺、大腸、胃、脾,繼而到心、小腸、膀胱、腎、心包、三焦、膽、肝,再回到肺。《靈樞·五十營》談營氣一晝夜運行五十周,《營衛生會》和《衛氣行》則以衛氣(行於脈外、具有護衛作用的氣)的晝夜運行解釋睡眠、覺醒及人的臥起差異。

講睡眠的部分,《靈樞·大惑論》說:「衛氣不得入於陰,常留於陽;留於陽則陽氣滿……故目不瞑矣。」這段話用衛氣能否入陰來解釋難以入睡,談的是整體睡眠機制。原文沒有把夜間逐個兩小時分配給一個臟腑,也沒有提出依醒來的時間診斷臟腑疾病。

那麼口訣從哪裡來?今天常見的「寅肺、卯大腸、辰胃、巳脾、午心、未小腸、申膀胱、酉腎、戌心包、亥三焦、子膽、丑肝」,是後人把十二經的流注次序逐一配上十二個時辰的結果,《靈樞》本身寫的只是經脈相接的次序。明初劉純《醫經小學》已見「肺寅大卯胃辰經……亥三子膽丑肝通」的歌訣,明代多部重要針灸著作繼續收錄、解說和傳承。與這張十二格表相關的還有子午流注。這是一種按日期、時辰和干支選穴的傳統針法,涉及陰陽五行,規則比十二格圖複雜得多。

傳統醫家自己也曾質疑這種配法。張介賓在《類經》及《類經圖翼》指出,後世因營氣運行起於肺,便以寅時配肺,再依十二時辰挨次分配;可是營氣一晝夜五十周,各經長短和穴數又不同,兩小時一經,與經脈周行並不相合。古代醫學本來就有多種時間模型,這張十二格簡表只是其中一種。網上流傳的版本,還常給每個時辰配上臟腑功能和起居飲食建議,例如丑時「血液淨化」、午時「小憩」,這些內容我沒有在上面引述的《靈樞》篇章中找到出處。

十二時辰對應臟腑圓環,標出丑肝和寅肺,右側說明十二經次序、明初歌訣及張介賓的質疑。

資料:《靈樞》營氣、大惑論;劉純《醫經小學》;張介賓《類經》《類經圖翼》。

現代研究方面,大腦、荷爾蒙、心血管、腎臟和肝臟功能都有晝夜變化,但這些器官各自的節律,與中醫臟腑經絡來自不同的理論體系。我沒有找到研究證明依醒來的時間可以判斷臟腑。針灸與睡眠節律研究正在探索不同施治時點會否產生不同反應,現有資料多屬小樣本、動物或機制研究。治療時間影響反應,與醒來時間能否診斷臟腑,是兩個不同問題。

中醫看夜醒,較完整的做法是辨證,即按寒熱、虛實和整組表現,判斷屬哪一種證型。凌晨醒來兼見口苦、急躁、脅脹,與醒來後心悸、易驚、多夢,或潮熱盜汗、口乾、腰膝不適,中醫會從不同證型考慮。辨證要看舌、脈、情志、寒熱、飲食、二便和病程。醒來的時間可以記錄,卻取代不了整組表現。

我怎樣分辨不同的夜醒

之前在養生館寫過的關於睡眠的系列文章,是我一邊查資料、一邊學習和總結出來的。回頭整理時,我發現分辨夜醒時要留意的資料,其實已經散在各篇裡。

最初由喉嚨時黏時乾、皮膚乾癢寫到夜咳與心煩,我學到同一個「乾」字背後可以有不同原因。其後的胃酸倒流篇、肝篇和腎篇,分別談嗆醒、難入睡、早醒和夜尿,每一種都要連同其他症狀來判斷。

五十歲以後的插篇談年齡帶來的整體變化,但單憑年齡仍解釋不了一次夜醒。其後的心篇、心腎不交篇和肝腎同源篇,則由多夢心悸,寫到心煩與腰冷夜尿,再串連起長年壓力、年紀漸長、眼乾耳鳴和腰膝痠軟等情況。這些文章讓我回頭留意四類資料:怎樣醒、被什麼打斷、醒後怎樣,以及白天受到什麼影響。而醒來的時間,只是回答了「何時醒」而已。

以下是我整理前作時形成的四步思路。前兩步整理睡眠和身體線索,後兩步從中醫傳統辨證角度理解。不過,臟腑和辨證屬傳統框架,不能單憑這些分類判定現代醫學所說的疾病,也不能取代對伴隨症狀的醫學評估。

  1. 說清楚怎樣睡不好。
    遲遲睡不著、睡到一半反覆醒、天未亮便醒、睡足仍像沒有休息過,以及被咳嗽、反酸、心悸、潮熱或尿意叫醒,屬於不同問題。
  2. 找出直接打斷睡眠的事情。
    乾咳要查呼吸道和環境因素,反酸要看消化系統,心悸易驚要排查咖啡因、焦慮、甲狀腺、心律和睡眠窒息,夜尿則要分尿量、膀胱和睡眠本身。
  3. 結合整組表現辨證。
    口乾口苦、寒熱汗出、情志、胃口、大便、小便、腰膝、舌和脈,都是傳統辨證會留意的資料。夜咳即使發生在三至五點,也不能單憑時間判定肺陰虛,還要結合其他表現辨證;早醒和夜尿也要經過同樣判斷。
  4. 檢查單一臟腑是否足以解釋。
    按前作整理的傳統框架,多夢易驚、心悸和疲倦突出時,可能從心的方向理解;心煩口乾再伴潮熱腰痠,可能進一步討論心腎;長年壓力、眼乾耳鳴、夢多與腰膝痠軟並見,肝腎同源則是另一種可能的傳統理解。若多種表現同時出現,中醫師可能在整體辨證後考慮不同臟腑的解釋,不能見到失眠便直接套用。

分辨夜醒的四個步驟:前兩步整理睡眠與身體線索,後兩步從中醫傳統辨證角度理解,不能據此判定現代醫學疾病。

資料:作者整理。

夜尿一定是膀胱的問題嗎

四步之中,夜尿最容易把因果看反。人以為是膀胱把自己叫醒,有時卻是睡眠先被別的原因打斷,才起來排尿。國際尿控協會共識把夜尿界定為人在主要睡眠期間醒來排尿,第一次排尿前已有睡眠,排尿後有繼續睡眠的意圖。這項定義沒有規定膀胱一定是最先把人叫醒的一方,有人因尿量增加或膀胱問題醒來,也有人先因失眠、疼痛、潮熱、胃酸或睡眠窒息醒來,之後才去廁所。

至於失眠和夜尿的關係,2025年刊出的系統綜述(systematic
review)最終納入11項研究,其中7項進入整合分析,合計5,396名較年長成年人。失眠者合併夜尿的勝算比(odds
ratio,OR,即把兩組各自出現夜尿的勝算相比)是1.96,也就是失眠者出現夜尿的勝算約為沒有失眠者的兩倍。這個關聯沒有說明哪一個先發生,也不能證明因果。

我身邊不少男性朋友說,因夜尿求診,醫生多先從前列腺入手,做了前列腺超聲波和尿流方面的檢查,用藥後尿頻和夜尿卻沒有太大改善。相關研究也發現,部分男性治療後仍有夜尿。

一項歐洲的登記研究(registry
study)納入2,175名50歲或以上、排尿症狀與前列腺增大有關的男性,在可供分析的1,838人中,65%每晚排尿兩次或以上。使用α阻斷劑或5α還原酶抑制劑(兩類常用前列腺藥)的男性中,兩年後仍有62%每晚排尿兩次或以上;在研究開始時新接受藥物治療的群體中,這個比例則由69%降至兩年後的49%。兩組數字的統計範圍不同,而且研究沒有對照組,未能憑這些數字判定藥物帶來多少改善。

另一項隨機對照試驗(randomized
controlled
trial)把148名有疑似前列腺增生相關下尿路症狀的男性分成坦索羅辛組(tamsulosin)和安慰劑組(placebo)。八星期後,兩組的夜尿次數沒有顯著差異;148名參與者中,113人(76.5%)符合研究所用的夜間多尿定義,夜間尿量亦與晚間飲水量相關。這或許說明,部分人的夜尿與夜間尿量多有關,未必出自前列腺。該研究樣本小、時間短,結果不代表所有前列腺藥物都無效。這兩項研究提示,在所研究的男性當中,前列腺藥物未必明顯減少夜尿。

要分析夜尿可能涉及哪些因素,可製作連續72小時的排尿日誌,記下排尿時間和尿量、飲水、上床和起床時間、早上起床後第一次尿量,以及每次醒來的感覺。日誌有助了解夜間尿量和排尿模式,但未必能單獨分清最初由什麼引起覺醒。若整夜尿量偏多,要結合全天尿量、飲水、藥物和身體狀況,考慮糖尿病、腎臟或心血管等可能因素;每次只有少量,也可能與膀胱尿急或睡眠先被其他原因打斷有關,還要結合其他資料判斷。反覆夜尿若伴響亮鼻鼾、呼吸停頓、喘醒或日間嗜睡,也要想到睡眠窒息,並向醫護人員了解是否需要評估。

夜尿可能由尿意或其他夜間覺醒開始;較年長成年人系統綜述的勝算比為1.96,勝算約兩倍不等於機率剛好兩倍;亦可使用連續72小時排尿日誌。

資料:國際尿控協會共識(Everaert 等,2019);Verbakel
等(2025)。

凌晨醒來,可以先做什麼

夜裡一醒,很多人的第一個動作是看時間,看完便開始計算還能睡多久。實驗研究顯示,入睡時持續看鐘可能增加擔心,令入睡更困難。夜醒後反覆計算還能睡多久,也可能愈想愈清醒。第一件事,先不要反覆看時間,最好把手機和時鐘放在視線範圍之外。

如果身體仍然放鬆而且有睡意,可以繼續躺著。若愈躺愈清醒、煩躁,或開始把睡床當成思考工作的地方,便離開睡床,到昏暗而安全的環境做安靜的事,有睡意再回去。這是失眠認知行為治療(CBT-I)中刺激控制(stimulus
control)的一部分,完整 CBT-I
還包括睡眠時間安排、認知調整和其他治療內容,並不等同幾條睡眠衛生提示。有跌倒風險、行動不便或正在服用鎮靜藥物的人,離床做法要先考慮安全。

天亮後仍按平日時間起床,避免因一晚睡差而把整個作息大幅推遲。晨間自然光有助穩定生理時鐘,具體時間和長度要看原有作息。也可留意晚間喝酒、喝咖啡或濃茶、吃得較鹹的日子,夜醒或夜尿是否較多。夜尿者可把飲水較平均地放在白天,避免睡前短時間大量飲水;心臟、腎臟疾病患者或有脫水風險的人,不宜自行過度限水。

每天早上憑記憶把昨夜情況大致記進睡眠日誌。可記下入睡、醒來和再睡的大約時間、伴隨症狀和前一天白天的狀態,不必為了記錄而在夜裡反覆看鐘;從中醫辨證角度,還可加入寒熱、汗出、口乾口苦、心悸、咳嗽、腰膝感受、飲食和二便。資料愈完整,醒來的時間才愈可能成為有用線索。只留下一個「凌晨三點」,便很容易被時辰臟腑口訣影響判斷。

醒來當下、天亮之後和睡眠日誌三部分的做法;睡眠日誌宜在早上憑記憶填寫,不必在夜裡反覆看鐘。

資料:Tang 等(2007);Edinger 等(2021)。

後記

這篇文章的起點,是困擾了我二十多年的睡眠問題,如今已基本解決。這段經過,我在《【養生篇08】吞了1000多粒安眠藥後,我是怎樣戒斷的?》粗略地寫過,本文試圖從更系統的角度回顧,找出更多可供參考的線索。安眠藥的使用和停用因人而異,調整前應先與處方醫護人員商量,不要自行突然停藥。

這篇文章也不是一口氣寫成的,我和兩大AI模型協作,來回五十多輪,前後寫過三十幾個版本,每一版都要重新核查,古籍原文、論文數據、引用連結,一項一項對。最早一稿,我以為凌晨三點醒來是被遺忘的人類本能,用分段睡眠解釋自己的夜醒。核查之後,這個說法一步步被推翻,馬達加斯加那項研究,便是回到原研究才發現要修正的一處。有的版本事實穩了,卻太工整,讀起來不像在說話;有的版本輕快,又經不起核查。幾番取捨之後,才有現在這一版。

如果沒有AI,這篇文章很難寫成。它陪我從一個凌晨三點醒來的疑問開始,找古籍、追論文、整理前面寫過的文章,再把互相矛盾的資料逐項攤開,原本一個人很難完成的查找和整理工作,便因此做得下去。它也曾給過看似完整、核對後卻站不住的答案。我一路學會追問來源、回到原文,再決定哪些留下、哪些刪去。

我從古籍、歷史、睡眠醫學和前面寫過的文章,整理出一套判斷方法。希望讀者下一次半夜醒來時,少一點對號入座,多看一點自己的身體究竟發生了什麼。

本文內容只作學習參考,不構成任何醫療建議。

協作者:張Sir和AI

@張Sir的AI養生館 – 養生智人

參考資料

姚春鵬(譯注)。(2010)。《黃帝內經》。中華書局。

張介賓(明)。《類經》,卷八,經絡類〈脈度〉。《四庫全書》本,維基文庫線上轉錄。

張介賓(明)。《類經圖翼》,卷三,經絡(一)〈十二經流注時序歌〉。《四庫全書》本,維基文庫線上轉錄。

劉純(明)。《醫經小學》。維基文庫線上轉錄。

Boyce, N. (2023). Have
we lost sleep? A reconsideration of segmented sleep in early modern
England
. Medical History, 67(2), 91–108.

de la Iglesia, H. O., Fernández-Duque, E., Golombek, D. A., Lanza,
N., Duffy, J. F., Czeisler, C. A., & Valeggia, C. R. (2015). Access to electric light
is associated with shorter sleep duration in a traditionally
hunter-gatherer community
. Journal of Biological Rhythms,
30
(4), 342–350.

Edinger, J. D., Arnedt, J. T., Bertisch, S. M., Carney, C. E.,
Harrington, J. J., Lichstein, K. L., Sateia, M. J., Troxel, W. M., Zhou,
E. S., Kazmi, U., Heald, J. L., & Martin, J. L. (2021). Behavioral and psychological
treatments for chronic insomnia disorder in adults: An American Academy
of Sleep Medicine clinical practice guideline
. Journal of
Clinical Sleep Medicine, 17
(2), 255–262.

Ekirch, A. R. (2001). Sleep we have lost:
Pre-industrial slumber in the British Isles
. The American
Historical Review, 106
(2), 343–386.

Ekirch, A. R. (2024). Reflections on “Have we lost
sleep?”
. Medical History, 68(3), 254–262.

Everaert, K., Hervé, F., Bosch, R., Dmochowski, R., Drake, M.,
Hashim, H., Chapple, C., Van Kerrebroeck, P., Mourad, S., Abrams, P.,
& Wein, A. (2019). International Continence
Society consensus on the diagnosis and treatment of nocturia
.
Neurourology and Urodynamics, 38(2), 478–498.

Malde, S., Patel, A., Martínez-Piñeiro, L., de la Taille, A.,
Bjartell, A., Tubaro, A., Witjes, W., & Caris, C. (2021). Incidence of nocturia
in men with lower urinary tract symptoms associated with benign
prostatic enlargement and outcomes after medical treatment: Results from
the Evolution European Association of Urology Research Foundation
prospective multinational registry
. European Urology Focus,
7
(1), 178–185.

National Heart, Lung, and Blood Institute. (n.d.-a). Insomnia
diagnosis
.

National Heart, Lung, and Blood Institute. (n.d.-b). Sleep
phases and stages
.

Ohayon, M. M., Carskadon, M. A., Guilleminault, C., & Vitiello,
M. V. (2004). Meta-analysis of
quantitative sleep parameters from childhood to old age in healthy
individuals: Developing normative sleep values across the human
lifespan
. Sleep, 27(7), 1255–1273.

Samson, D. R., Manus, M. B., Krystal, A. D., Fakir, E., Yu, J. J.,
& Nunn, C. L. (2017). Segmented sleep in a
nonelectric, small-scale agricultural society in Madagascar
.
American Journal of Human Biology, 29(4), e22979.

Tang, N. K. Y., Schmidt, D. A., & Harvey, A. G. (2007). Sleeping with the
enemy: Clock monitoring in the maintenance of insomnia
. Journal
of Behavior Therapy and Experimental Psychiatry, 38
(1), 40–55.

Thompson, E. P. (1967). Time, work-discipline, and
industrial capitalism
. Past & Present, 38(1),
56–97.

Verbakel, I., Boukheir, G., Bliwise, D., Vogelaers, D., Hervé, F.,
Weiss, J., Mariman, A., & Everaert, K. (2025). From nocturnal
awakenings to nocturnal voiding: The relationship between insomnia and
nocturia—A systematic review
. Minerva Urology and Nephrology,
77
(2), 181–191.

Wehr, T. A. (1992). In short
photoperiods, human sleep is biphasic
. Journal of Sleep
Research, 1
(2), 103–107.

Wright, K. P., Jr., McHill, A. W., Birks, B. R., Griffin, B. R.,
Rusterholz, T., & Chinoy, E. D. (2013). Entrainment of the
human circadian clock to the natural light-dark cycle
. Current
Biology, 23
(16), 1554–1558.

Wu, J., & Zhao, Z. (2024). Acupuncture in
circadian rhythm sleep-wake disorders and its potential neurochemical
mechanisms
. Frontiers in Neuroscience, 18, 1346635.

Xue, Z., Lin, Y., Jiang, Y., Wei, N., & Bi, J. (2018). The evaluation of
nocturia in patients with lower urinary tract symptoms suggestive of
benign prostatic hyperplasia and the analysis of the curative effect
after medical or placebo therapy for nocturia: A randomized
placebo-controlled study
. BMC Urology, 18, Article 115.

Yetish, G., Kaplan, H., Gurven, M., Wood, B., Pontzer, H., Manger, P.
R., Wilson, C., McGregor, R., & Siegel, J. M. (2015). Natural sleep and its
seasonal variations in three pre-industrial societies
. Current
Biology, 25
(21), 2862–2868.

當AI開始替政府辦事

當AI開始替政府辦事

從「幫手」到「代辦」,AI將如何改變公共服務與問責方式

聯合國經濟及社會事務部本月發布《2026年聯合國電子政府調查報告》(UN E-Government Survey 2026)。這項調查每兩年發表一次,今年踏入第25年,評估193個會員國加上巴勒斯坦國。韓國排第一,丹麥、新加坡、沙特阿拉伯、阿聯酋緊隨其後。

政府用的AI,會不會由「幫公務員做事」,變成「自己去做事」?

排名年年有人追,張Sir今次最留意的卻是第四章。報告問了一個以前少人問的問題。

由「上網」到「代辦」

報告把政府數碼化分成三個階段。張Sir替它們各起一個名號,叫「上網」「幫手」「代辦」,方便理解。

第一階段是數碼政府(Digital Government),即「上網」。服務搬上網,部門之間的系統可以互通。市民在網上填表、交件、查進度,省了排隊攞籌,但每一步仍然要自己動手。

第二階段是AI賦能的公共行政(AI-enabled Public Administration),即「幫手」。AI開始分析數據、預測需要、協助公務員處理文書,甚至主動提醒市民某項福利可以申請了。不過申請與否、怎樣審批,仍然由人拍板。

第三階段是代理型政府(Agentic Government),就是「代辦」。AI代理系統接到一個目標,自己規劃步驟、協調不同部門、調整流程,直到把事情辦完。報告稱之為「新興前沿」,並強調這只是一個分析框架,並非2026年已經量度到的現況,也不是要各國照做的藍圖。

政府數碼化三階段

AI代理怎樣「自己做事」

首先,要分清楚聊天機械人(Chatbot)和AI代理(AI Agent)。

聊天機械人像一位有問必答的接待員。問它「敬老金的申請資格是什麼」,它根據資料生成答案,答完便停。下一步做什麼,由問的人決定。

AI代理更像一位會跑腿的秘書。交給它一件事,它先把事情拆成幾個步驟,然後逐步調用工具,查數據庫、填表格、發電郵,每做完一步就檢查結果,再決定下一步。資料不齊,它會自己去找;找不到,就停下來問人。大語言模型負責「想」,各種系統接口負責「做」,兩者連接起來,AI便由回答問題,變成執行任務。

舉個簡單的例子(以下純屬設想)。陳伯是澳門永久性居民,下個月滿65歲,可以申請社工局的敬老金和社保基金的養老金。在「上網」年代,他要自己知道有這兩項福利,再上網或到櫃枱申請。到了「幫手」年代,系統發短訊提醒他,他在「一戶通」按幾下就可以遞交。如果去到「代辦」年代,一個AI代理會核對他的居民身份和社保供款紀錄,同時準備好兩份申請,再交給陳伯確認。紀錄齊全的個案,代理在授權範圍內直接批出;有疑問的,例如供款紀錄有缺漏,就轉交公務員處理。

陳伯少跑了幾轉,公務員也省卻大量文書工作,皆大歡喜。可是,如果代理判錯了,誰來負責?

報告沒有講的澳門

雖然報告沒有包括澳門,但澳門特區政府一直在推進相關工作。拿報告的三個階段來對照,澳門已具備「上網」的基礎,「幫手」正在建設。

先講「上網」。截至今年3月,「一戶通」約有68萬用戶,提供超過480項電子服務。

「幫手」方面,政府專用雲計算中心部署了AI大模型,數據運算在政府內部完成。行政公職局局長梁穎妍11月20日在立法會辯論明年施政方針時透露,AI辦公輔助平台一年累計使用300萬次;37個部門提出在各自業務領域應用AI,規劃項目接近100個。「政問通」則會把來電語音轉成文字、整理提問重點,再從知識庫找出建議回應。對外,2027年施政報告訂明推出「一戶通」3.0,把服務模式轉為「服務找人」,按用戶年齡推送可能要辦理的服務,並提供智能服務助手。

換言之,陳伯在「幫手」年代收到的提醒,澳門明年就有機會做到。

「代辦」呢?據報道,特區政府明年會在「公務通」加入人事行政智能輔助、人資數據智能問答和報表搜尋等功能;AI亦可逐步用在行政審批,例如統考利用AI比對數據資料,快速辨識報考人是否符合資格。然而,資格比對交給AI,「符合」與「不符合」之間的線由誰畫、有爭議的個案由誰覆核,就是下一節要講的裁量權問題。

現有數字顯示AI的部署範圍和使用量正在增加,至於有沒有改善服務,仍要看處理時間、出錯率和使用者的實際體驗。

裁量權搬家

公共行政研究有個概念叫「街頭官僚」(street-level bureaucracy)。前線公務員每天面對市民,規則寫不盡的地方,就靠他們酌情處理。櫃枱後面那位職員說一句「今次先收住表格,下次記得帶埋證明」,就是裁量權。

報告指出,政府數碼化之後,這份裁量權已經搬過一次家,由前線職員搬到系統設計者手上,成為「系統層面的官僚」(system-level bureaucracy)。表格有哪些選項、哪些個案會被系統自動拒絕,寫程式的人早已決定。到了代理型政府,裁量權可能再搬一次,搬進AI代理本身,報告稱之為「算法層面的官僚」(algorithmic-level bureaucracy)。

所謂「上屋搬下屋,唔見一籮穀」,搬過屋的人都知道,搬得愈多次,愈容易不見東西。裁量權搬家,最容易不見的是責任。一個決定由規則、數據、模型和幾個部門的系統共同完成,出錯時每一方都可以說錯不在自己。試問,陳伯應該找誰投訴?

報告提出的做法,是「重新分配人的判斷」。例行個案在既定參數內交給代理處理,涉及市民權利或情況模糊的個案,則轉交人員審核。公務員保留策略方向、法律詮釋、倫理取捨、例外處理和最終責任。市民則要有渠道上訴、要求解釋和獲得補救。

AI用多了,也要看用得有多好

上述報告亦顯示,訂立公共行政AI倫理規範的國家,由2024年的44個增至83個;在數碼政府策略中提到AI的國家,有112個。

聯合國正在研究一個「代理型政府指數」(Agentic Government Index),目前仍在研究和諮詢階段,初步設想從三方面評估:

  • AI在服務和行政工作中部署得多廣、多深;
  • 有什麼保障、管治安排和問責機制;
  • 為市民和機構帶來什麼成果,包括服務質量、可及性、行政效率和包容性。

張Sir最留意第三項。報告指出,現有的指數本來就不是設計來量度政府AI用得好不好,所以主張改用以成效為本的量度框架,看AI系統能否為市民和機構帶來看得見的改善。報告亦擔心,不少試點項目上馬時,根本沒有方法評估服務質量有沒有提升。

一個政府部署了一百個AI代理,如果長者、殘疾人士、偏遠地區居民反而更難辦事,評分就不應該高。計算AI的數量容易,計算市民的得益難,指數要量度的偏偏是後者。

怎樣計?報告沒有細說,張Sir認為至少要做兩件事。一是使用滿意度評估,市民和公務員兩邊都要問,用完覺得方便了還是麻煩了。二是成效評測,至少要比較AI上線前後,辦一件事要等多少天、出錯率有多高、上訴和投訴有沒有增加,少用電子服務的群體有沒有因此更難辦事。政府內部的AI辦公平台一年用了300萬次,這是用量;用量背後省了多少時間、使用者滿不滿意,才是成果。

報告亦提醒,數碼鴻溝仍未消失,AI普及可能令差距進一步擴大。今年有151個國家的電子政府發展指數達「高」或「非常高」,比2024年的138個多,創新高;但全球仍有約19.5億人生活在電子政府發展水平低於全球平均的國家。這個數字反映的是現有數碼鴻溝。運算能力、可信數據、網絡安全、人才,以及管治AI的能力,都不是買一套軟件就能備妥的。

誰按「確認」

報告的總結是,代理型政府主要是一場制度轉型,技術只是其中一部分。成敗取決於公共機構管治AI的能力,多於AI代理有多聰明。

張Sir認為,陳伯的故事裡最難設計的,是那個「轉交公務員」的步驟。哪些個案可以交給代理,哪些必須由人看,出錯時市民找誰,這些規矩都要在代理上線前寫清楚。

規矩寫清楚,陳伯才敢按「確認」;人肯確認,代理才可以放手辦事。

參考資料

協作者:張Sir和AI

@張Sir的AI養生館 – 創新智人

同事用 AI 寫計劃書,數一下,竟有 49 處「自保」

同事用 AI 寫計劃書,數一下,竟有 49 處「自保」

AI 為何愈寫愈防禦,又怎樣分清哪些「不」該刪、該改、該留

同事交來一份 AI 協作的計劃書,翻開一看,「不承諾」「不保證」「不代表」「並非」接二連三出現。數了一遍,足足 49 處,就好像一手交計劃,一手替自己擋箭,硬是把計劃書寫成了「自保」的辯護書。

設想走進一間餐廳,侍應遞上餐牌,第一頁寫著:「本店並非快餐店」「菜式不代表正宗粵菜」「不承諾米芝蓮水準」「上菜時間不保證」。每句都挑不出大錯,但你還未看到有什麼好吃,胃口已經少了一半。

AI 寫計劃書,也會築起這道「防火牆」。

AI 怎樣一格一格寫出文章

AI 沒有真的怕人告它,它只是根據前文,一格一格地生成文字。

大語言模型寫字的方法,可以先簡單想成猜格仔。它把文字切成一小格一小格,這些小格叫 token,可以是一個字、一個詞,也可以只是半個詞。它根據前文,為下一格的不同候選內容計算可能性,再生成一格,文章便這樣逐步寫出來。

你叫它寫「專業、嚴謹的計劃書」,它會參照學過的同類文字。公文、合約、招標書、私隱政策和免責聲明,常見「並非」「不代表」「不保證」等限制句。模型可能因此把正式文件的文體,連同其中的限制句式一併寫進計劃書。

好比一位剛入職的同事,手上只有一疊舊合約和招標書做範本。第一次替部門寫聚餐通知,也在末尾補上「本公司保留最終解釋權」「如有任何爭議,以中文版本為準」,他可能只是沿用手上見過的格式。

「穩妥答案」也可能變成「自保」

模型讀完大量文字,還會經過讓回答更符合人類偏好的訓練。訓練者會比較不同回答,模型再據此調整生成方式。這類偏好訓練可能影響回答的謹慎程度;在醫療、法律、投資和安全等高風險問題上,交代條件和適用範圍,往往比把沒有把握的內容寫成肯定結論更妥當。

這種謹慎用在藥物建議上,可以提醒人不要自行亂試;用在活動計劃書,AI 卻可能寫成這樣:

活動設有報名表,填寫報名表並不代表已經出席活動。

看計劃書的人本來就知道報名和出席是兩回事。與其花一句話澄清,倒不如說明參加者怎樣報名、活動當天如何簽到。

做過項目的人,知道哪些風險可能影響審批、成本或進度,哪些只是理論上想得到的。個人資料處理不當,可能拖慢審批;上面那句關於報名和出席的澄清,卻未必有助活動安排。AI 沒參與過項目匯報會議,也沒見過評審讀到哪一頁會皺眉頭。若提示和文件沒有提供足夠情境,模型便可能把真風險和假想疑問都當成需要澄清的事項,一樣會用力構築一道道防火牆。

第一句「不」,會把後面的「不」叫出來

AI 還有一個習慣:跟稿。上文不只告訴它寫什麼,也示範這份稿應該怎樣說話。前面有了「不承諾排名」,後面便可能寫出「不保證引用」「不代表實際轉化」。寫到第三句時,這種腔調已經成了全文的規矩。

稿裡有一兩個「不」字,當然沒事。若一段中連續出現好幾個相似句式,前文便提供了現成模式,AI 在後文重複同類寫法的機會也會增加。

反覆改稿也可能令限制句累積。假設一份稿要反覆修改,第一輪,用戶說:「加一句,講清楚搜尋排名不受我們控制。」AI 加了。

第二輪,用戶說:「場地也有不確定性。」AI 又加一句。

第三輪,用戶擔心費用被誤解,AI 再補兩句。

每次改稿,AI 看到的都是上一版全文。用戶通常只叫它「補充這一點」「澄清那一項」,未必同時要求檢查舊句是否已屬多餘。於是舊句留著,新句繼續加。若修改只顧補充、不回頭整理,限制句便會一輪又一輪增加。

改了五輪,風險未必管得更好,免責聲明的牆倒愈堆愈高。

回頭看同事計劃書中的 49 處,有幾種可能的影響因素。模型沿用了參考文件的句式,偏好訓練令它傾向謹慎,上下文又讓同類句式延續下去。最直接的問題,是文件沒有把真實風險、必要邊界和假想疑問的輕重分出來。

AI 為何愈寫愈防禦:四個累積機制

49 處,哪些應該保留

我把 49 處逐句分類,交給同事校對。其中九處有需要保留的事實或法規限制;其餘四十處,可以刪除或改寫。分類時只看三件事:讀者是否需要、是否有業務或合規依據,以及刪掉後會否漏掉重要資料。

第一類,是 AI 自己補出來的誤解。下面這句連用兩次「不是」,把「獎金」和「額外收費」兩個原本沒有的疑問寫進稿裡。已知款項的實際用途,便可改成正面說明。

原文:該款項支付予主辦方,不是向註冊者派發獎金,也不是作為增值服務費。

改寫:該款項已納入基本服務費,由項目團隊直接支付予主辦方。

第二類,是服務範圍和計價方法。「並非」背後有資料,內容未必應刪;要看讀者究竟需要知道什麼。如果只是說明計價單位,直接寫清全年綜合服務計價便可;如果「並非單一軟件或維護報價」是避免真實誤解所必需,就應保留這項邊界,最好再說清楚包含與不包含的項目。

原文:本板塊以全年綜合服務計價,並非單一軟件或維護報價。

改寫(只需交代計價方式時):本板塊以全年綜合服務計價。

第三類的「不承諾」有真實原因。計劃書裡面提到的搜尋排名和引用,會受平台算法等因素影響,團隊確實不能保證結果。正文可先寫工作,限制和處理方法則寫在風險管理一節;若文件格式固定,便在原段落交代限制與應對,不必硬加新章節。

原文:提升搜尋曝光機會,不承諾排名或引用結果。

正文:團隊優化內容結構和資訊完整度,每月量度索引覆蓋及引用情況。

風險管理:搜尋排名和引用受平台算法等因素影響,團隊不承諾排名或引用結果,並按月檢視數據及調整內容。

看到「不」字,不必一律刪掉。先看它有沒有依據、是否需要告訴讀者,以及刪掉後會否漏掉重要資料。

看見「不」字,先別急著刪:刪除、改寫或保留

叫 AI 改稿,不能只說「寫得正面一點」

「寫得正面一點」太含糊,AI 很可能刪掉「不保證」,順手改成「有效提升」。防火牆剛拆掉,又築起一道吹牛牆。

要 AI 校正時,可以這樣下指令:

找出所有否定、免責和限制句,逐句列出原句、依據及建議處理,並分成三類:一、沒有依據的假想疑問;二、服務範圍或計算規則;三、有事實、合約或法規依據的風險與限制。不得新增承諾、數字、法規或項目細節。先交分類表,再改正文。

改完後,再核對有沒有刪掉必要資訊,或把限制改成承諾。最後問三件事:

  1. 這個計劃究竟要做什麼?
  2. 做成怎樣才算有效,用什麼數字衡量?
  3. 哪些真風險會影響執行,由誰處理?

三題答不出來,先補計劃內容,再修句子。法律、醫療、安全或合規文件,則交熟悉規則的人覆核限制。

同事按這套方法改完,原來的辯護書總算有了計劃書的樣子。

說來慚愧,跟 AI 協作久了,我自己的稿也染過這種句式。這篇文章的初稿,「不是……而是……」一共出現八次。如今回頭看,AI 幫我改這篇文章時,又在正文加了幾道防火牆:「這只是可能的解釋」「不代表每多一句否定句,就必然引出更多否定句」「不能單憑一份計劃書判定各自的分量」。

我對 AI 說,這些話更適合留到末段自嘲;我再叫它統一行文,它卻只改了開頭並致歉。看來,防火牆不只會出現在計劃書,連替人拆牆的 AI,也可能一邊施工,一邊替自己的疏漏添加註解。

這篇文章的末兩段,倒成了「自保」最現成的示範。

協作者:張Sir和AI

@張Sir的AI養生館-學習智人

用手機睇報告,為何手指比眼睛更攰

用手機睇報告,為何手指比眼睛更攰

目錄

AI 時代,用一條 link 交貨比 PPT 更划算

做過客戶報告的人,大概都有這樣的切身體會。內容早已寫好,PPT 卻遲遲交不出去,一個圖標對不齊,一張照片放歪了,統計圖上某個百分點標錯了,於是逐頁逐頁地改,改完還要檢查有沒有弄亂別處,大半天就這樣過去。好不容易發出去,客戶的高層多半也沒有坐在辦公桌前細看,他在會議前幾分鐘、在車上、在兩個會議之間拿出手機,放大、縮小、左拖、右拉,看到第十八頁的建議,又要翻回第六頁對照理由是否充分。

做的人辛苦,看的人也辛苦。

近半年,張Sir在公司推動一件事,報告、策劃書、內部分享,改用互動網頁(HTML)交付。同事大多認同,可是真到要交貨,打開的往往仍是 PowerPoint。這也難怪,大家「翻頁」翻慣了,手指比腦袋更有記性。

把一張報紙塞進手機

PDF 是為一張紙設計的,PPT 是為投影機設計的。紙放在桌上,畫面投在牆上,大家都看得舒服;搬到手機上,就像把一張報紙塞進信封,要看哪一版,便得自己拆開、攤平、摺回去。放大,表格少了半邊;縮小,字又看不清。一份四十頁的報告,讀者還未讀到結論,手指已經攰了。

網頁沒有這種摺紙的煩惱,它會跟著屏幕重新排版,手機上是單欄長頁,電腦上可以左右並排。目錄一點就跳,細節可以摺起來,圖表可以互動,數字可以複製,內容更新了,同一條 link 打開的就是新版本。

管理層讀報告,很少從第一頁讀到最後一頁。他們帶著問題進來會議室,結論是什麼?根據在哪裏?風險有多大?下一步誰負責?PDF 要讀者順著內容逐頁滾,網頁則讓讀者按自己的問題找答案,張Sir稱之為由「翻頁」變「導航」。

固定版面要求讀者反覆縮放和拖動;響應式網頁讓讀者透過目錄、摺疊區塊和互動圖表按問題導航

PPT 的成本,由做的人和看的人各付一份

說到這裡,PPT 和 PDF 在手機上的閱讀體驗看似相近,兩者的成本其實並不一樣。PDF 帶來閱讀的麻煩,主要發生在讀者端。反之在製作端,今天無論原稿是 Word、Markdown 還是 HTML,只要在 AI 應用上按一個鍵或者下一句指令,便可以轉成 PDF,製作上幾乎是零成本。

PPT 卻要兩邊「付費」。在製作端,演講用或內部參考的 PPT,粗糙一點無傷大雅;交給客戶的,要經得起逐頁細看。雖然 AI 已經可以起草 PPT,然而交給它微調,往往比自己動手更慢。先要說清楚改哪裏、改成怎樣,改完又要檢查它有沒有順手動了別處,報告稍為複雜,來回花上大半天是家常便飯。所以時至今日,不少客戶報告仍需大量人工調整。AI 較適合協助製作插圖和資訊圖,對稍為複雜的客戶 PPT 而言,現階段用 AI 製作未必划算。

而網頁改起來輕鬆得多。內容和版面分開處理,數字錯了,改原稿那一個數字,再按既定樣式重新自動生成,不用逐頁去對齊圖標和照片。

PPT 的製作端和閱讀端都要付出成本;結構化原稿經 AI 生成響應式網頁後可適配多種裝置和格式

以前不做,因為貴;現在不做,因為慣

既然網頁看起來方便,改起來又省事,報告為什麼一直沒有改用網頁?網頁已經存在三十多年了,過去製作成本較高,是主要障礙之一。做一份像樣的互動網頁,要有人懂內容,有人懂設計,還要有人寫程式和部署,一份週報,犯不著動用軟件工程師和網頁設計師。

AI 改寫了這筆賬。現在的大語言模型(LLM)寫 HTML 已經相當成熟,作者管內容和結構,排版、導航、摺疊區塊和圖表交給 AI。

現實是成本變了,習慣卻未必跟著變。舉個例子,開發者 Simon Willison 從 GPT-4 年代開始,一直叫 AI 用 Markdown 回答,因為當時模型只能處理 8,192 個 token,Markdown 省篇幅、快,划算。後來限制早已放寬,他的習慣卻沒有改變,直到 2026 年 5 月讀到一篇主張改用 HTML 的文章,才重新考慮。

很多機構對 PPT 和 PDF 的依賴,情況相近。當初的選擇有道理,只是當年要付的成本,今天已經大幅降低了。

業界已經動了

Willison 讀到的那篇文章,作者是發文時仍在 Anthropic Claude Code 團隊的 Thariq Shihipar。他主張,給人閱讀、點擊、比較和分享的 AI 輸出,適合做成自成一體的 HTML 文件。OpenAI 創辦成員之一 Andrej Karpathy 轉發這篇文章時,補了一個簡單做法,在提問最後加一句「用 HTML 組織你的回答」,再用瀏覽器打開結果。他把 AI 的輸出形式看成一路演進,由純文字、Markdown 到 HTML,下一步是更互動的形式。

微軟已經把這件事做成 Copilot Pages。Copilot 的回答可以直接變成持久、可編輯、可分享的頁面,團隊在同一處補充、修改和協作。AI 的回答不再停留在聊天紀錄,也不用先複製到 Word,再以附件寄出;它本身就是一個可以繼續工作的頁面。

Anthropic 的 Claude Artifacts 再往前走多一步。Claude 生成的文件、儀表板和互動工具,可以在獨立頁面打開,再用連結交給其他人查看或使用。讀者除了看文字,還可以操作數據、改變條件,甚至直接使用一個小工具。

研究報告方面,Notion Research Mode 搜尋和整理資料後,會把成果留在可分享、可繼續修改的團隊頁面,引用來源也跟著報告保存。

這裡所說的「網頁」,不一定是一個下載回來的 HTML 文件。它也可以是放在 Copilot、Claude 或 Notion 裡,有固定連結、權限和版本的託管頁面。兩者的共同點,是讀者打開一條連結便可以閱讀,內容則能繼續更新,不必每改一次便重新寄一個附件。

至於使用者是否接受這種網頁式內容,Gamma 的發展提供了一個參考。它以網頁原生簡報起家,可以用提示詞生成簡報、文件和網站。Gamma 官方表示,用過產品的人已超過一億,累計製作的內容則超過 6.25 億份。這個規模已經說明,網頁式內容早已不是陌生格式,交付習慣反而走得慢一點。

張Sir團隊這半年

大公司有大公司的做法,張Sir團隊這半年也沒閒著,用的是自家開發的企業智能協作平台。平台內置 Skill 和 Agent 等多種 AI 功能,也可以按任務切換不同的大語言模型。過去半年,內部分享基本上都改用網頁,部分客戶的產品介紹也用上了,做法大致分兩類。

第一類是內部材料。給同事的內部講話、觀點分享和策劃書,先由人設計主題和核心觀點,再讓模型起草,之後按固定流程推進。流程中設有人工把關(human-in-the-loop,HITL),再由多個模型審核、評估和優化,直到以 Markdown 格式定稿。定稿後,系統按 Skill 直接生成符合公司企業形象(CI)的互動網頁,附目錄和錨點,設定密碼,生成連結。連結用電郵發出,或者貼到內部通訊平台,同事點開、輸入密碼,便可以閱讀。整個流程自動化,同時有人把關做質控,在提高效率之餘,也維持既定的質量要求。

第二類是公開文章,包括「張Sir的AI養生館」上的科普文,這篇也是這樣做出來的。由起稿到定稿,流程與內部材料大致相同,多出來的是配圖。Agent 調用 Skill 和內置的文生圖模型,自動生成封面圖和多張資訊圖;人工確認後,發布用的 Agent 把文字和圖片一併生成 HTML 文件,自動發布到網站。以前這一步需要同事幫忙,來回可能要幾個小時,現在只需幾分鐘。

兩類材料發出去,參與的同事普遍認為比 PPT 和 PDF 好讀,在手機上尤其明顯。最近也開始有客戶接受 HTML 交付,反饋非常正面,唯一的意見是打印可能麻煩一點。這一點不用花多少工夫,只要在 Skill 加入輸出選項,同一份原稿可以轉成 PDF,也可以先生成分頁式 PPT,再按需要調整,省下從頭做一次的工夫,只是多耗一點 token而已。

網頁也有脾氣

說了這麼多好處,張Sir也得坦白,使用網頁也有代價。

第一,生成較慢。Markdown 輸出只需幾秒,HTML 一般要幾分鐘,Thariq 在原文也有提到這個代價。

第二,分享要有機制。部分企業郵件系統會攔截 HTML 附件;改發連結,又要 IT 部門把域名列入白名單,會牽涉公司的管理制度,事情就複雜了,這也是一道障礙。

至於改稿和存檔,我們的做法是先用 Markdown 起草,定稿後才轉成 HTML。這樣一來,手上始終留有一份乾淨的原稿,HTML 原始碼雜亂難改的問題便不用理會;要存檔時,按一個鍵或下一句指令,原稿就可以另存為 PDF、TXT 或 Word。HTML 本身也可以標上版本號和日期,日後要查交付當天是哪個版本,一看便知。

慢幾分鐘、多一道分享手續,換來的是讀者少動手指,張Sir認為值得。

交報告前,先問一句

交報告前先考慮讀者的閱讀地點、設備及翻查方式,再決定是否使用響應式網頁

讀的人會在哪裏、用什麼設備打開這份報告?如果答案是會議前的手機、通勤的車廂,或者跨部門反覆翻查和協作,這份報告就值得做成網頁。在我們的流程裡,生成並發布一份網頁只需幾分鐘;改好一份稍為複雜的客戶 PPT,卻可能要花上大半天。

把報告做成網頁,讀者的手指動少了,眼睛和腦袋卻靈活了。

協作者:張Sir和AI

@張Sir的AI養生館 – 創新智人

當AI替我們思考,誰還記得母體?

當AI替我們思考,誰還記得母體?

從民調、大數據到AI應用,重新理解母體、代表性與判斷的責任

協作者:張Sir與AI

從「看不見的人」說起

張Sir的職業生涯,從民調、大數據挖掘一路走到今天的AI應用和研發。工具不斷改變,有一個問題始終沒有變:在問「我們想知道什麼」之前,先要弄清楚「我們想聽誰說話」。

想了解全澳門居民對某項政策的態度,母體(population)就是全澳門符合資格的居民;想了解香港年輕人的就業焦慮,母體就是特定年齡、特定時間、特定地域內的年輕人。母體有明確的邊界,可以是一群人,也可以是一組事件、文本或行為。研究結論能否成立,首先取決於有沒有說清楚:我研究的究竟是誰?我沒有研究到的又是誰?

張Sir曾在一間機構內用電郵做員工滿意度調查,結果漏掉了沒有使用電郵的基層員工,後來改用紙本問卷,補做這部分員工的調查。調查想了解的是全體員工,當時使用的聯絡名單卻只包括有使用電郵的員工。那些看不見的人,很多時連問卷也收不到。

當母體太大、太分散,無法逐一訪問時,機率抽樣(probability sampling)讓抽樣框內每名成員都有機會被抽中,而且機會的大小可以計算。研究者再配合分層、加權及無回應處理,建立由樣本(sample)推論母體的依據。若要估計整體居民的看法,便不能只憑方便取得的某一群人作普遍推論。

但今天,更省力的資訊取得方式,很容易掩蓋這種對整體代表性的承諾。

社交平台提供「熱門討論」,搜尋引擎列出「大家都在問」,生成式AI則給出一段看似完整、流暢、有條理的答案。然而,取得答案的便利,也可能讓人省略原本必要的追問。這是誰的聲音?誰被排除了?數據從哪裡來?樣本是否代表我們想推論的群體?所謂答案,會不會只是把最常見、最容易被索引、最符合模型訓練分布的觀點,重新包裝成「共識」?

本文關心的,是當AI讓答案更容易取得時,我們如何繼續判斷數據涵蓋了誰、證據是否可靠,以及結論能推論到哪裡。

母體被忽略,不代表它不重要

大數據常給人一種錯覺,既然能觀察幾百萬則貼文、幾千萬次搜尋、幾億次點擊,就不再需要抽樣。數據已經這麼大,難道還不算全部嗎?

數據規模大,仍要看它涵蓋了誰。抓取到的社交媒體數據,來自使用該平台、願意公開發言,而且內容可被取得的人。平台選擇、關鍵字、語言、公開設定及收集方法,都可能影響最後包括哪些紀錄。這些人留下的痕跡不能直接代表「公眾」,甚至未必是「網民」的完整樣本;發言者的自我選擇與抽樣框不完整,也會影響推論。

一項Twitter(X)抽樣回顧指出,按貼文抽樣可能偏重活躍用戶,因此要分清研究的是貼文、帳號還是人。

理解母體,首先要知道數據能夠取得,不等於母體已被完整涵蓋。

數據越多不等於代表性越大

一個城市的交通卡數據很龐大,但不包含不使用交通卡的人;一個電商平台有很多評論,但不包含沒有購買、沒有留言,或被平台規則過濾的人;一個AI模型的訓練語料很多,但仍受資料來源、語言、數碼化程度、取得方式及篩選程序限制,不能涵蓋人類經驗的全貌。

用電訊商的手機訊號估算活動人流,便會遇到裝置數不等於人數的問題。數據只涵蓋該網絡能偵測的設備,還要處理一人多機、其他電訊商用戶及活動邊界等問題。不同偵測技術的條件也不同,不能把偵測到的手機數直接當成現場總人數。

手機訊號可用來觀察人流變化,經校準與驗證後也可協助估算人數。但應交代覆蓋範圍、去重、擴估方法與誤差,並分清同時在場人數、不重複出席人數及累計人次。從裝置推算到人,仍需要方法支持。

AI還可能形成「回音室中的回音室」。《Nature》一項研究顯示,若模型反覆使用未經區分的生成內容訓練,原始數據中較少見的資訊可能逐步流失。研究雖然沒有直接測量社會群體的能見度,卻帶來一項警示:如果某些群體的數據本來就少,生成內容再不斷回流,這些經驗可能更難被模型保留和呈現。

所以,AI時代需要恢復的能力,除了「找更多數據」,還包括追問這些數據的母體是什麼、誰不在裡面,以及誰被系統性地低估。

從民調、大數據到AI,母體越來越被忽略

樣本能否代表母體,還要看誰被選進來

很多人把代表性理解為樣本數,認為樣本越大,結果越準。增加樣本通常有助降低隨機抽樣誤差,但系統性偏差未必隨之減少。

如果想知道一個社會對某項政策的支持度,卻只收集社交平台上最活躍、最有時間、最願意表達及參與公共討論者的意見,即使有一百萬則留言,得到的仍可能只是「活躍表達者」的看法,未必代表「全體居民」。沉默的人、不使用智能手機的人、不願公開表態的人、語言能力受限的人,以及被算法邊緣化的人,都不會因為數據量增加而自動出現。

評估樣本能否支持母體推論,首先要看誰有機會被選中、誰沒有回應,以及估計採用了什麼設計與假設。年齡、性別、地域、教育、收入、族群、語言、城鄉、政治傾向等重要變量的分布,可協助檢查與調整部分偏差,但人口比例相近仍不足以保證代表性。配額能控制部分結構,本身不等於機率抽樣;加權也不能保證修正所有未被觀察的差異。

例如,Pew Research 的調查以住址機率抽樣建立樣本,再透過加權,估計美國成年人口的情況。

此外,大數據應用常把「可觀察」誤當成「可推論」。看到網上的責罵,不代表知道整個社會有多憤怒;看到疾病搜尋,不代表知道誰真正患病;偵測到多少部手機,不等於知道現場有多少人;AI能生成看似權威的回答,也不代表它反映了真實世界的證據分布。

研究目標不同,所需的推論依據也不同。估計居民比例,要處理母體代表性;探索使用經驗或比較教學設計,可以研究特定樣本,但不能據此宣稱所有人都如此。

從民調到網絡挖掘,再到AI應用,張Sir信奉的方法論核心從未改變,先界定母體,再設計取得數據的方式,然後誠實說明推論邊界。 這種判斷不僅關乎如何取得數據,也關乎人是否仍願意親自思考。

AI帶來的,是新的「認知外包」

AI能幫助研究者整理文獻、清理數據、生成問卷初稿、辨識文本主題、輔助編碼、模擬情境,也可以加快原型開發。這些能力有巨大價值,讓研究者能更有效處理更多工作。

近期不少人談論的認知卸載(cognitive offloading),原指人們把記憶、計算、導航等任務交給外部工具,以減輕認知負擔。用日曆記約會、用計數機算帳,並不一定讓人變笨;關鍵是卸載了什麼,以及它與學習目標有何關係。若工具只是處理次要工作,人仍能理解核心內容,並自行重現推理過程,卸載便有機會幫助學習。若卸載的正是學習目標所要求的思考過程,則可能妨礙該次學習或技能練習。

生成式AI可以搜尋和綜合內容,也能協助寫作、形成論點,令這條界線變得模糊。人們甚至可能把該問什麼、看哪些證據、相信什麼結論的判斷,都交給它。

Wharton 商學院的Shaw與Nave在2026年的論文預印本中,報告了三項預先登記實驗。參與者回答推理題時可以向AI求助,研究人員則隨機控制AI提供正確或錯誤答案,觀察這些答案如何影響參與者的判斷與信心。作者把未經充分審視便採納AI答案的情況稱為「認知投降」(cognitive surrender)。在這些推理任務中,相較於沒有AI協助的情況,正確的AI答案提高了參與者的答題準確度,錯誤答案則降低了準確度。然而,即使AI提供錯誤答案,參與者使用AI後的信心仍有上升。要理解這種影響,還要回頭看AI答案建立在什麼數據與選取條件上。

AI答案背後,也有資料邊界與選擇機制

人們習慣把抽樣、代表性、偏差等概念用在人身上,卻很少用它們檢視AI輸出。

AI回答的形成,受到訓練數據、檢索結果、模型參數、提示詞、系統設定與安全過濾機制影響。把它比作一個「樣本」,有助追問它參照了怎樣的世界,但不能等同於從全體人類觀點中抽取的機率樣本。文字能被生成,也不代表它已經過事實核查。

要理解這些邊界,可以從以下五個方面檢查。

  • 訓練資料的涵蓋範圍,要看哪些語言、地區、階層、歷史時期和知識傳統被充分收錄,哪些被忽略。
  • 檢索的選取機制,要看AI若連接網絡,可以檢索哪些網站和資料,以及語言、排序、新近性與存取限制如何影響結果。
  • 內容生產者的結構,要看網絡文本主要由哪些人產生,哪些群體較少公開表達、較難被索引或未被數碼化。
  • 提問框架會影響AI怎樣回答,也會預設某些定義,排除另一些可能性。
  • 核查能力與權限,要看誰能看到原始來源、資料及處理步驟,並有時間和能力驗證;也要看誰缺乏條件核查,只能依賴輸出。

即使附有來源,也要核實來源是否真實存在、內容是否過時,以及AI有沒有誤讀原文。

其中只有部分屬於統計意義上的母體問題,但它們共同決定AI答案能看見什麼、忽略什麼,以及使用者能否發現限制。AI回答是否涉及統計推論,要視問題而定。當答案聲稱某種情況「普遍」「多數」或代表某個群體,便須交代涵蓋範圍與推論依據。法規生效日期、歷史日期或機構數字,重點在於來源是否權威、可追溯而且最新。要理解某個群體的生活經驗,則要留意是否聽到了群體內不同成員的聲音,以及他們所處情境的差異。代表性與事實準確性相關,卻不是同一回事。

要理解使用者如何面對這些有邊界的答案,可以參照幾項研究。

Pew的2025年調查顯示,曾透過聊天機器人取得新聞的美國成年人中,三分之一自覺難辨真假。

澳門互聯網研究學會的2026年居民電話調查顯示,在6至84歲生成式AI使用者中,45%表示從不或只是偶爾核查AI生成資訊;調查亦顯示,該群體對「我知道什麼是AI幻覺」這項自陳敘述的平均同意分為2.6分,滿分5分。

歐洲廣播聯盟與BBC統籌的新聞AI研究,以多種語言測試ChatGPT、Copilot、Gemini及Perplexity的新聞回答;其發布資料指出,部分回答出現事實錯誤和來源標示不當等重大問題。

這些研究回答不同問題,分別提醒我們檢查答案品質、辨識困難與核查行為。對重要答案建立核查習慣,正是回應這些風險的基本做法。

AI更容易讓人把答案當成事實

科學的本質,在於答案能否檢驗

科學可貴,因為它建立了一套讓錯誤可以被發現的程序,讓科學家有機會檢查和修正自己的判斷。

研究者要界定概念,說明研究對象、數據取得和分析方法,讓別人能追查問題、定義、數據與結論之間的關係。不同研究設計各有要求,探索性分析未必預先提出完整假設,但應交代哪些分析事先設定、哪些在看過數據後才提出,也應保留適當紀錄,容許檢查、重做和反證。

當答案以自然語言呈現,語氣肯定、結構完整,引用也看似合理,人們很容易把它當成已完成的研究。但涉及實證研究或群體推論的回答,至少要說清楚母體與數據從哪裡來、變量和分析如何設定,以及結論可以推論到哪裡。重要結果還應接受不同樣本、時間點或模型的穩健性檢驗。

AI可以幫忙寫出這些說明,卻不能替人完成所有判斷。它能生成問卷初稿,題目是否測量了研究者想了解的概念,仍須研究者判斷。它能分析數據,數據是否乾淨、權重是否合理、因果方向是否成立,也要由人核查。即使AI列出文獻,使用者仍要閱讀原文、檢查脈絡和辨識方法缺陷。

有偏差的內容經AI大量生成,再被搜尋、引用和使用,影響可能超出原有數據集,進一步改變人們理解世界的資訊環境。涵蓋、抽樣與代表性的要求,也要延伸到內容生成與傳播的整個過程。

當AI回答涉及實證主張、群體概括,或試圖由數據推論現實情況時,可以從以下問題逐一檢查。

  • 先問母體。 這個結論想推論到誰?數據實際來自誰?
  • 再問涵蓋。 誰沒有手機、沒有帳號、不發言,或被過濾、被忽略?
  • 再問選取。 數據如何被選入?採用了什麼抽樣或招募方式?算法排序又作了什麼篩選?
  • 再問測量。 這個指標真的測量了我們聲稱的概念嗎?
  • 再問生成。 內容由人類產生、AI輔助產生,還是完全由AI生成?
  • 再問驗證。 關鍵主張是否有原始來源、獨立來源與可複製的程序?
  • 再問限制。 這個結論不能推論到哪些人、情境和時間?

這套程序是評估實證主張、避免過度推論的重要保障。能否落實,取決於使用者是否願意保留判斷。

AI素養,也包括保留判斷的能力

很多人把AI素養理解為會寫提示詞、會用某個模型,或會建立自動化工作流。這些能力當然重要,但仍屬操作層次。

AI素養還包括後設認知能力,也就是知道何時應該自己想、何時可以借助AI、何時必須親自驗證,以及何時應該堅持自己作判斷。

Lee等人的調查訪問每週在工作中使用生成式AI的知識工作者。受訪者把自己的思考工作描述為逐漸轉向資訊驗證、答案整合和任務監督。這些自述提供了人機分工的經驗線索,也引出哪些判斷應由人承擔的問題。

在張Sir看來,衡量AI素養,不能只看工具使用是否熟練,也要看使用者是否知道,哪些說法必須親自核查,哪些決定不能直接交給AI。

對研究者而言,這意味著要為AI安排合適的工作。

  • 讓AI處理可驗證、可重複、低風險的機械工作,例如初步整理資料、轉換格式,以及提供文獻檢索線索。代碼草稿則須在可測試、可審查的條件下使用。
  • 概念界定、研究設計、抽樣框架、倫理判斷、因果解釋與結果詮釋等關鍵環節,可以借助AI討論,但須由人類主導審查、作出決定並承擔責任。
  • 將AI輸出視為「待檢驗的假說」或「待核查的草稿」,不當作「已完成的知識」。
  • 為重要決策保留可供人類審查的證據,包括數據來源、處理步驟、模型版本、提示詞、權重與限制。

成熟的人機協作,需要各自處理合適的工作,並由人承擔不能外包的責任。

回歸科學本質:謙遜、邊界與責任

AI是否會普遍削弱人的思考,仍需要更多證據;但凡答案涉及實證主張、群體概括或公共判斷,數據涵蓋、證據品質與推論邊界都不能省略。即使借助AI,我們仍要繼續追問:

  • 這是誰的聲音?
  • 這是誰的數據?
  • 誰沒有被看見?
  • 這個答案能推論到哪裡?
  • 我憑什麼相信它?
  • 如果它錯了,我如何知道?

母體、抽樣、代表性,這些看似老舊的概念,仍是AI時代重要的判斷依據。這些概念提醒人們,最活躍的留言者、最容易被搜尋的網頁,以及最流暢的模型輸出,都不足以呈現整個世界。真實世界總比手上的數據大,也比現有模型複雜。

科學的價值,是誠實說明我們知道什麼、不知道什麼,以及憑什麼知道。一個看似令人安心的答案,代替不了這些交代。當AI越來越擅長生成答案,人類更要繼續提出那些令人不舒服、不方便,卻不能省略的問題。

@張Sir的AI養生館 – 學習智人

參考資料

澳門互聯網研究學會。(2026)。解碼生成式AI行為:澳門居民的應用、觀點與素養(Decoding generative AI behavior: Applications, perspectives and literacy of Macao residents)。

European Broadcasting Union. (2025, October 21). News integrity in AI assistants. EBU–BBC study. 另見EBU新聞稿(2025年10月22日)。

Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (Article 1121, pp. 1–22). Association for Computing Machinery.

Lipka, M., & Eddy, K. (2025, October 1). Relatively few Americans are getting news from AI chatbots like ChatGPT. Pew Research Center.

Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676–688.

Shaw, S. D., & Nave, G. (2026). Thinking—Fast, slow, and artificial: How AI is reshaping human reasoning and the rise of cognitive surrender [Preprint]. The Wharton School Research Paper. SSRN.

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.

Vicente, P. (2023). Sampling Twitter users for social science research: Evidence from a systematic review of the literature. Quality & Quantity, 57, 5449–5489.

公司用了 AI,同事為什麼沒有更輕鬆?

公司用了 AI,同事為什麼沒有更輕鬆?

除了跟 AI 對話,還要讓它看懂數據、規則和工作情景,這是 AICI 越來越關鍵的原因。

協作者:張Sir與AI

公司引入聊天機械人、工作助手和 AI Agent 後,同事寫電郵、整理摘要和查找文件的確快了。可是,AI 交出答案之後,人員仍要確認客戶身份、核對交易、翻查政策、請主管批准,再登入另一套系統辦理。每個步驟節省幾分鐘,整項工作仍然經過原來的人手和流程。

同事沒有明顯輕鬆下來,原因不只一個。其中一種常見情況,是 AI 只改善了某一小段工作。前面的數據從哪裏取得、後面的操作交給誰、處理結果寫回哪套系統,仍要由人員逐一安排。生成速度提高了,整項工作的處理方式沒有隨之改變。

企業採用 AI,因而正在由「增加一個智能功能」轉向「重組一段實際工作」。設計者要重新查看一項工作由出現到完成,中間需要哪些判斷、分派、批准、系統操作和結果記錄,而非只多加一個對話框。

近年受到關注的上下文工程(Context Engineering),強調的不只是怎樣向 AI 提問,而是怎樣在它工作時,組織和提供所需的數據、指令與工具資訊。在企業環境中,這些工作還涉及客戶身份、適用規則、操作權限和最新處理進度,也就是本文所說的「工作情景」。

張Sir提出「AI 情景基礎設施(AI Context Infrastructure,AICI)」這個概念,涵蓋上下文工程,並進一步把它與企業的數據、身份權限、流程及系統連接組織成共用基礎能力。它不只為 AI 準備一次工作所需的資訊,還支援不同 AI 應用在持續更新的工作情景中協作,把處理結果交回原有流程和系統。

AICI 讓不同 AI 應用共用持續更新的工作情景

AI 聽得懂問題,未必知道眼前發生什麼

Chatbot、Copilot 和 Agent 降低了人與 AI 互動的門檻。員工可以直接用日常語言提問,客戶也可以隨時輸入要求。不過,企業工作很少只憑一段對話完成,AI 還要知道這句話與哪一名客戶、哪一筆交易和哪一項工作有關。

同事處理一項工作時,會自然查看背景。客戶曾經聯絡多少次、訂單目前是什麼狀態、哪份政策正在生效、誰有批准權、哪套系統保存最新紀錄,這些內容共同決定下一步。AI 如果只讀到客戶當下的一句話,只能生成一個看來合理的答案,未必能推動後續工作。

這批與當前工作直接相關的數據、規則、身份、權限和處理進度,組成了工作情景。它不是一次準備好就不再改變的背景數據,而是隨工作推進持續更新。前一名人員作出的判斷、系統返回的結果和仍未完成的事項,都要讓下一名人員或下一個 AI 應用知道,工作才能接續下去。

AICI 要解決的,是 AI 每次工作前都要重新摸索

企業通常已有客戶數據庫、知識庫、交易系統、工單和審批流程,問題在於這些內容分散於不同地方。聊天機械人連接一套數據,內部助手再次連接,另一個 Agent 又重新設定政策和權限。應用愈多,重複接駁和版本差異也愈多。

AICI 把分散的內容組織成 AI 可以使用的工作情景,並連接後續處理所需的流程和系統。企業原有系統繼續保存客戶、交易和流程紀錄;AICI 在 AI 開始工作時,按當前人員的身份、權限和正在處理的事項,調取所需數據、有效規則、可用工具和最新進度。AI 完成一步後,再透過相應流程和系統接口,把處理結果更新至原有紀錄,供下一步工作使用。

簡單來說,AICI 像替 AI 準備好一張持續更新、並連接相關系統的工作紙。工作紙先寫清楚正在處理誰的事情、目前進度、可以查看什麼,以及可以使用哪些工具;每完成一步,又補上結果和下一項待辦。不同的 Chatbot、Copilot 和 Agent 因而可以接續處理同一項工作,減少各自重新查找和整理數據的需要。

一宗客戶投訴,需要完成哪些工作

一封客戶投訴進入企業後,客服先要判斷問題屬於帳務、產品、服務還是合規,再按嚴重程度和處理時限分派部門。負責人員查明原因、比較處理方案、取得批准,然後執行退款、更正或其他補救。客戶收到結果後,企業還要匯報處理情況、歸檔紀錄,並分析同類問題會否再次發生。

若 AI 只負責摘要和草擬回覆,後面每個步驟仍由同事重新查找數據。若 AI 能讀取同一宗投訴持續更新的工作情景,它在判斷時可以看到客戶紀錄和有效政策,分派時可以附上相關交易和過往處理,決策後也可以把獲批操作提交至業務系統。

系統返回處理結果後,AI 據此更新投訴狀態,草擬與實際操作一致的回覆,再整理結案摘要供主管匯報和歸檔。工作情景也隨之記錄哪些仍是建議、哪些已經決定,以及哪些已經完成,讓後續人員和 AI 應用接續處理。

人員仍然要處理那些需要經驗的判斷和例外情況,但可以減少在每次交接後重新詢問客戶、翻查紀錄和輸入相同內容。AI 不再只協助寫回覆,也開始參與整宗投訴的處理。

客戶投訴案例展示工作情景如何接續更新

投訴只是其中一種工作

企業裡有不同的場景和業務流程,例如財務人員處理發票差異,同樣要核對訂單、收貨紀錄、合約和付款條件;採購人員審查供應商,要查看公司數據、資格文件、審批規則和過往紀錄;保險理賠則要比對保單、證明文件、事故紀錄和處理進度。工作內容不同,AI 面對的問題卻相近,它需要知道當前事項、適用規則、可用數據、可調用系統和上一步結果。

因此,AICI 的用途不受某一部門或流程限制,它提供共用的工作情景組織能力,以及流程和系統連接,讓不同 AI 應用參與不同業務工作。企業增加第二個、第三個 AI 應用時,可以沿用已有的身份、數據、規則和系統連接,再按具體工作補充所需設定,減少重複建設。

公司用了 AI,同事會否更輕鬆,不能只看生成了多少文字或用了多少 Token。更值得觀察的是,一項工作經過判斷、分派、決策、處理、匯報和歸檔後,還有多少數據要由人員重複查找,多少結果要手動轉交,多少交接仍要重新解釋事情的來龍去脈。

當 AI 能夠取得持續更新的工作情景,連接相關流程和系統,並把處理結果交給後續人員和應用,智能功能才更有機會轉化為完成工作的能力。而 AICI,就是支援這種能力的共同基礎。

@張Sir的AI養生館 – 創新智人

「近乎完美」「無可挑剔」「不堪設想」:AI為甚麼愛這樣寫?

「近乎完美」「無可挑剔」「不堪設想」:AI為甚麼愛這樣寫?

拿掉這些字眼後,AI 還說了什麼?

協作者:張Sir與AI

請 AI 把一份活動數據整理成報告,它可能把一項普通的變化寫成「重大突破」,結論還加上一句「充分證明」某種做法「至關重要」。請它摘要一篇文章,原文只說某種做法可能有效,摘要卻變成「顛覆性的發現」。請它評改一份建議書,有時是「近乎完美」「無可挑剔」,有時又變成「全盤失敗」「後果不堪設想」。

其中正面的說法,放在活動宣傳文案裡並不奇怪,語氣熱烈本來就是這類文字的慣例。報告、摘要、建議書和評語,本應寫得準確、克制,AI 有時卻把宣傳的口吻帶到這些文字裡,把結論說得比證據更肯定。張Sir把這類寫法分成六類,先逐類看它們在做什麼,再看拿掉誇張的字句後,會剩下什麼內容。

六種值得檢查的寫法

下表的例句,是按 AI 的常見口吻擬寫的。

  • 一、極端程度詞:「近乎完美」「無可挑剔」「前所未有」。用了最高級的說法,卻沒有說明拿什麼比較,按什麼標準判斷。
  • 二、戲劇化比喻:「如同一把手術刀」「為團隊注入強勁動力」。用鮮明的畫面增加氣勢,具體內容卻沒有寫出來。
  • 三、斷言式定性:「這充分證明新方法直接決定成敗」。把單項觀察直接定為結論,把關聯寫成因果。
  • 四、命令/口號式語氣:「必須立即行動」「絕不能再拖延」。用命令的口吻收尾,卻沒有補充理由。
  • 五、討好式強化:「你的判斷完全正確,這正是問題所在」。先附和用戶的看法,再把後面的評價說得更重。
  • 六、標籤式貶損:「典型的大企業病」「經典的新手錯誤」。把個別的問題說成一類人或一類組織的通病。

六類說法不全是形容詞,也包括副詞、比喻、判斷和句式,共同點是 AI 用了強烈的口吻,卻沒有說明按什麼標準判斷,也沒有交代憑哪段原文或哪項數據。一個直接的辦法,是暫時拿掉這些字句,再讀一次。

拿掉誇張的字眼,會剩下什麼

先看這句「這項前所未有的改革,將為城市注入強勁動力」。拿掉「前所未有」和「注入強勁動力」,只剩下「這是一項改革」,至於改革改了什麼、影響誰、成效如何,作者沒有說明。再看「調查結果充分證明,新方法直接決定學習成效」,拿掉「充分證明」和「直接決定」,可能只剩下「採用不同方法的人,結果不同」。兩者只是相關,還是存在因果關係,要看研究怎樣設計,不能憑口吻判斷。

拿掉誇張字眼前後的內容差別

逐句拿掉字眼是直接的辦法,文章很長、時間又不夠的時候,也可以先留意幾種跡象。

  • 形容詞和副詞密集,卻看不到可以對照原文的內容。
  • 把相關寫成直接決定,語氣升了一級。
  • 先附和提問的人,再藉此批評別人。
  • 寫得像口號,三句排比、感嘆號和一正一反的對照接連出現。

找到後,不妨再追問三件事:AI 拿什麼來比較,憑哪一句原文或哪項數據,拿掉這些字眼後還有什麼實質的信息。

當 AI 把「相關」改成「直接決定」

換成日常工作的場景,更容易看清楚。設想一位同事寫活動報告,報告記錄了參加網上預先學習課程的學員,測驗平均分比沒有參加的人高。他在報告裡寫明,預先學習和測驗成績只是有關聯,學員原來的程度和投入的時間,都可能影響結果。他把報告交給 AI 評改,AI 的評語是「這份報告存在嚴重缺陷,結論一再重複,作者顯然缺乏統計常識」。

回頭看原稿,結論確實有兩段重複,「一再重複」這項批評,在原稿裡找得到依據。至於「嚴重缺陷」和「缺乏統計常識」,AI 沒有指出是哪一句,也沒有說明標準。三個說法並排,讀起來像三項問題,實際只有一項可以核對。

AI 接著建議把結論改成「這證明了預先學習直接決定測驗成績」。只改了幾個詞,語氣更肯定,意思卻由關聯變成因果。這時需要修正的,不只是文風,還有一項錯誤的判斷。AI 為什麼會這樣寫,原因可能不止一個,模型的訓練方式是其中一個因素。

人的偏好,怎樣變成 AI 的獎勵

大語言模型先從大量文字裡學會詞語怎樣接續,寫得出通順的句子,卻未必知道人更喜歡哪一種回答,所以通常還要再調校一輪。其中一種常見方法,叫人類回饋強化學習(reinforcement learning from human feedback,RLHF),簡單說,就是讓人的選擇決定哪些寫法應該鼓勵。

具體做法是,評分員看到同一個問題的幾個回答,選出較好的一個,研究人員用這些選擇訓練出獎勵模型(reward model),讓它預測人會偏好哪一種回答。之後再調整語言模型的參數,獎勵模型給分愈高的寫法,語言模型愈傾向採用。如果評分員較常選中符合提問者看法的回答,這類回答得到的分數便較高,語言模型也愈來愈常這樣寫。

人的偏好怎樣變成 AI 的獎勵

這個過程也可能讓 AI 學會為了討用戶歡心而改變答案,這種傾向稱為迎合傾向(sycophancy),和前面說的討好式強化相符。Anthropic 的 Mrinank Sharma 與同事在 2024 年發表了一項迎合傾向研究,測試 2023 年的五個 AI 助手,包括他們自家的 Claude。同一段文字,用戶先表示喜歡,AI 的評語平均較正面,表示不喜歡,評語便較負面。研究人員再分析評分數據,發現「符合用戶看法」是最能預測人類偏好的特徵之一。

既然 AI 可能為了迎合用戶而改變答案,向它提要求時,也可以寫得具體一點,例如「不要用最高級和口號,每項判斷附上原文或數據,相關不能寫成因果,沒有資料就說不知道」,這樣寫出來的內容,比較容易逐句核對。

指示寫得再具體,也只是方便核對,形容詞能加強語氣,事實、標準和理由卻要由寫的人說明。不妨翻出最近一篇用 AI 寫過的文章,看看有沒有「近乎完美」「無可挑剔」「不堪設想」,或者其他語氣強烈的字眼,拿掉這些字眼後,會剩下什麼內容?

@張Sir的AI養生館 – 學習智人

延伸閱讀

參考資料

Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., Cheng, N., Durmus, E., Hatfield-Dodds, Z., Johnston, S. R., Kravec, S., Maxwell, T., McCandlish, S., Ndousse, K., Rausch, O., Schiefer, N., Yan, D., Zhang, M., & Perez, E. (2024). Towards understanding sycophancy in language models. International Conference on Learning Representations (ICLR 2024).

AI 摘要了這篇文章,是原文意思嗎?

AI 摘要了這篇文章,是原文意思嗎?

AI 摘要適合快速掌握大意,數字、因果和引語,要回原文核對

協作者:張Sir與AI

清晨六時多,WhatsApp 群組彈出一條訊息,寫著「我也借 AI mode 閱讀大作……」,後面跟著一個笑臉。這是朋友用 AI 把張Sir寫的《功課可以問AI,考試怎麼辦?》一文整理成摘要,再貼進群組分享。她說明,摘要和其中的評語,都是 Google Gemini 的輸出。摘要有一句核心主旨、三個核心重點和一個「終極結論」。

圖 1,讀者在群組貼出的 AI 摘要

圖一  WhatsApp 對話截圖

張Sir 看了一遍,主線抓得很準。那篇文章閱讀約十三分鐘,摘要把它壓成一句話:功課可以問 AI,第一步仍要由學生自己做,方向完全正確。主線準確的摘要,仍可能在細節上和原文不同。張Sir 和 AI 逐句對照後找到十處差異,也想起最近幾篇談過的 AI 問題。

最近幾篇文章,談的都是 AI 自己的毛病

前幾篇文章談過三種問題,《AI 有幻覺,先分清病因再對症下藥》談 AI 幻覺(hallucination),也就是 AI 寫出來的內容讀來可信,卻可能是錯的,甚至憑空捏造。《與 AI 聊天愈久愈不聽話,是它變笨了嗎?》談同一段對話愈拖愈長,舊要求和錯誤堆在一起,AI 便容易被前面的內容牽著走。《為什麼最近 AI 模型「降智」了?》談模型的分數一代勝一代,用戶卻覺得它變笨了,有時變的其實是整個產品的運作方式。

這份摘要的主線準確,壓縮時刪掉的是限定句、來源和比較。主線準確、文字整齊,讀者便容易覺得它已經足夠,省略了回原文核對的一步。

這份摘要,正好回應功課那篇文章

原文講過,學生把題目輸入 AI 之前,要先自己做一遍,到了考試才知道第一步怎樣做。讀 AI 摘要也有一個不能跳過的第一步,就是回到原文。

原文也寫到,Google 把 AI 摘要和 AI Mode(可以持續追問的搜尋模式)加進搜尋頁面之後,答案已經排在搜尋結果頂部,學生可以從搜尋頁面學到一種用法,先看生成答案,再決定要不要翻原文。文章引述的老師觀察裡,也有一位說,學生開始把 Google AI 摘要當作主要資訊來源。朋友借 AI mode 讀這篇文章,碰上的正是文中談過的情形。

十三分鐘的長文,先讓 AI 整理大意再決定細讀,是很自然的做法。摘要稱原文為「過多資料的博文」,這句評語出自 Google Gemini,張Sir 覺得有道理,也就收下了。寫這類科普文,原意是介乎純科普、純個人意見和艱澀難懂的學術文章之間,既有客觀的證據,也有明確的論點,篇幅難免略長。這次經 Gemini 提醒之後,以後也會做點優化。

摘要好用在哪裡,不足在哪裡

摘要的好處,先是快。十三分鐘的文章,幾個手機畫面就能看完。主線和結論的方向準確,抓住了第一步仍要由學生自己做。不少數字和名稱也寫得準確,例如香港 15 歲學生的 53%,獅子山實驗的八星期、76% 的回應引導解題、2% 直接給答案,以及澳門大學課程要求學生親自發言。結構上三個重點加一個結論,讀完就能向別人複述。

不足之處集中在三點,第一,限定句最先被壓掉,下一節再詳細說。第二,格式整齊,令人覺得可信,摘要把自己整理的內容標成「終極結論(張Sir 的中心思想)」,開首的「核心主旨」整句還加了引號,其中「廢掉下一代的思考能力」,原文並沒有這句。第三,摘要沒有標明哪些是自己加上的,也沒有指出出自原文哪一段,讀者不知道從哪裡開始核對。

張Sir 在《知道要小心 AI,卻不知道小心甚麼》介紹過沃頓商學院的實驗,AI 給出錯誤答案時,問過 ChatGPT 的人有八成照抄。摘要的情況有別,道理卻相近,答案整齊又有把握,人便少了動手核對的藉口。

差異大多出在限定句

限定句怎樣被壓掉,看這張對照表最清楚,右邊一欄用一句短評說明每項差異。

圖 2,AI 摘要與原文對照

圖二 AI 摘要與原文對照

對照下來,十處差異可以歸成五類。

語氣和因果被加強。 功課原文說,每天用 AI 起草文章的學生,科學成績比從不用的學生低約 20 分;摘要卻把它寫成科學成績「退步」20 分。原文說的是兩組學生之間的統計關聯,「退步」卻令人以為同一批學生用了 AI 之後成績變差。每週用 AI 幫助學習的學生,成績和不用的學生相若,這組對照在摘要裡也不見了。

同類的還有兩處,那名考試不及格的學生,原文只是他對記者說,考試不能用 AI 時腦子就轉不動,摘要把這句自述寫成不及格的原因。美國高中生那一段,原文交代的是據她母親的描述和記者查閱的部分聊天記錄,其後她把自己反鎖在房間裡,摘要寫成 AI 挑撥離間,「導致」她自鎖房間。來源不見了,「其後」也變成了「導致」。

範圍放大,來源被抹去。 原文有三位老師,各有一個觀察,一位說學生想不出作文題目,一位說學生把 AI 摘要當主要資訊來源,一位說學生說不出引用的觀點與小說有什麼關係。摘要寫成「很多學生盲目引用 AI 觀點,根本不懂內涵」,三個個別的觀察,變成了「很多」。意大利的例子也類似,原文是 Google 公布的項目資料,參與教師自報行政工作時間減少七成,摘要寫成「研究顯示」。

限定句和對照被刪去。 摘要的「港澳現狀」只列了香港的數字,原文同時有澳門,學生網民的生成式 AI 使用率為 74%。原文也指出,澳門暫未見學生使用 AI 的國際學生能力評估計劃(Programme for International Student Assessment,PISA)數字。這項國際評估主要比較各地 15 歲學生的學習表現,也收集部分學習情況。獅子山實驗同樣只留下「顯著大幅提升」這個好消息。原文是老師帶領其中一半班別,八星期後比對照組高 0.258 個標準差(standard deviation),按該研究換算,大約等於一名原本排在同屆中間的學生,成績升至前 40%。原本較好的學生獲益更多,差距沒有收窄,最後這一句也是原文的重要限定句。

推論被寫成結論。 香港中文課的原文只描述學生做了什麼。15 名以中文作附加語言的學生核對並修改 AI 生成的圖片,沒有照單全收;原文沒有測量他們的思辨能力,也沒有把活動總結成「培養思辨力」。摘要加上這個判斷,看來合理,卻把推論寫成了原文結論,同時刪去了學生是哪一類人的限定。

引語被合併改寫。 摘要的結尾加了引號,「功課可以問 AI,第一步仍要由學生自己做。到了考試,才知道怎麼開始。」看起來像文章裡的一段話。其實這是兩句,分在結尾相鄰的兩段,措辭也不同,一句是「到了考試,才知道第一步怎樣做」,另一句是「功課可以問 AI,第一步仍要由學生自己做」。

圖 3,AI 摘要主線準確,也可能在五類地方失真

圖三 AI 摘要主線準確 也有失真

有研究發現,AI 摘要容易把結論放大

把結論放大,就是把研究結論的適用範圍擴大。2025 年,荷蘭烏得勒支大學的 Uwe Peters 和加拿大西安大略大學的 Benjamin Chin-Yee 做了一項測試十個 AI 模型的研究,共檢查 4,900 份 AI 摘要。結果,多數模型會把結論的適用範圍寫得比原文寬,其中三個模型有 26% 至 73% 的摘要出現這個情況。

該研究看到三種變化,有數量的說法變成泛指,過去的研究結果變成現在也成立,單純描述變成行動建議。研究把出現這些變化的句子稱為廣義結論,保留原有範圍的稱為受限結論。在 100 篇完整醫學論文上,AI 摘要出現「廣義結論對受限結論」的勝算,是《新英格蘭醫學雜誌》專家摘要的 4.85 倍。

2026 年,另一項財務文件測試收集 300 份季度報告(10-Q)的管理層討論與分析部分,以及 297 份業績電話會議記錄,共 597 份,再交給 AI 壓縮成 20 條要點。以其中一個壓縮模型的單次壓縮計,管理層討論部分有約三分之一的模型判斷改變,電話會議約四分之一;同一批判斷模型重讀原文時,隨機改變只有約 7% 和 5.7%。

該研究把其中一個原因稱為去脈絡化(decontextualization),即重點仍在,但用來解讀重點的但書、比較和限定被刪去。在管理層討論部分,這類脈絡資料佔原文事實的 25%,壓縮後只剩 9%;在判斷已改變的個案中,把刪去的脈絡補回,37% 恢復原來的模型判斷,補回其他資料則只有 16% 至 19%。被壓掉的,正是「據」「其後」「其中一半」「統計上」「自己的回報」這些不起眼、卻會改變意思的小字。

讀者可以怎樣避免

具體做法分三步,先看摘要,再核對,轉發時附上原文。

  1. 先看摘要,掌握大意。 這是摘要最擅長的事,用來決定值不值得細讀原文。
  2. 遇到數字、因果、引語、來源、比較和限定,回原文核對。 摘要裡出現「導致」「因為」「顯著」「很多」「研究顯示」,或加了引號的句子,就用搜尋功能在原文找到那一句,看是據誰所說、跟誰比較、適用哪些人,前後文還有沒有但書。
  3. 轉發之前,附上原文鏈接。 讓下一位讀者也有機會做這一步。

圖 4,讀 AI 摘要的三步核對

圖四 讀 AI 摘要的三步核對

想省力,可以讓 AI 幫忙核對。前面提到的 AI 幻覺那篇文章寫過,認出答案比自己寫出答案容易。核對摘要時,把原文和摘要一併放到 AI 面前,讓它逐句比較,效果較好。具體做法是開一個新對話,請它列出摘要裡哪些話在原文找不到出處、哪些數字對不上、哪些語氣比原文強、哪些來源不見了。新對話可以減少舊內容的干擾,AI 列出的每一處差異,仍要由人回到原文確認。

接下來可試兩個小技巧,第一個是向 AI 要摘要時,具體說明要保留什麼。Peters 和 Chin-Yee 的研究曾在簡單要求上加一句「不要出現不準確的內容」,整體結果顯示,這組摘要出現「廣義結論對受限結論」的勝算,是簡單要求組的 1.9 倍。2026 年的財務文件研究則要求保留比較對象、但書和限定句,其中一個壓縮模型在管理層討論部分的判斷改變比例由 31.5% 降到 21.2%。兩項研究不能直接比較,只提示籠統一句「請準確」未必有用,寫明要保留什麼,值得先試。因此,可以直接要求 AI 保留數字、來源、比較對象和限定句。

另一個技巧是用兩個不同的 AI 工具各做一份摘要。2026 年那項測試發現,不同 AI 壓縮同一份文件,約四分之一的文件上判斷方向不一致。研究沒有直接測試一般讀者這樣做的效果,但若兩份摘要導向不同判斷,分歧可以當作回查原文的提示。

那篇功課原文說,功課可以問 AI,第一步仍要由學生自己做。讀 AI 摘要也一樣,轉發和引用之前,回到原文那一步,仍要由讀的人自己做。

@張Sir的AI養生館 – 學習智人

延伸閱讀

參考資料

Lee, H., et al. (2026). When summaries distort decisions: Information fidelity in LLM-compressed financial analysis (arXiv:2606.29251) [Preprint]. arXiv.

Peters, U., & Chin-Yee, B. (2025). Generalization bias in large language model summarization of scientific research. Royal Society Open Science, 12(4), 241776.

為什麼最近 AI 模型「降智」了?

為什麼最近 AI 模型「降智」了?

前沿模型的分數一代勝一代,用戶卻覺得它變笨了

協作者:張Sir與AI

設想一位同事請 AI 修改給客戶的電郵,原本只想用幾句話說明項目要延遲兩天。AI 卻寫成六段,列出背景、風險、跟進步驟和免責聲明,語氣像正式公函。客戶最想知道的新交付日期,反而藏在最後一段。

同一位同事換一項任務,請 AI 修一段程式碼,它的表現卻完全不同。AI 會讀完整個項目說明,找出問題,修改幾個檔案,跑一遍測試,發現改錯了又回頭修正。整個過程像一位不用休息的初級工程師,默默地把工作做完。

同一個模型,兩種體驗,評價卻可以相差很遠。要理解這種差別,得先看行業現在最想要什麼。

行業在優化什麼

過去幾年,前沿大模型公司除了改進寫文章、翻譯和解釋概念,更用力發展代理式能力(agentic capability),即 AI 能自己規劃步驟、調用工具、執行動作,並根據結果修正。以修正程式錯誤為例,它會先讀架構設計,找出相關檔案,改程式,再跑測試。測試失敗,它就看錯誤訊息,回頭調整。

對開發者來說,一個能自動完成多個檔案修改的 AI,確實可能省下大量時間。但對一般用戶,常見的感受卻是另一回事,輸出的中文變得生硬,回答像產品說明書,簡單的問題也要先列步驟、分類、注意事項。

兩種感受來自同一套選擇:公司在哪種能力上投入資源,就很可能得到哪一種能力。

為什麼編程成了主戰場

編程(coding)之所以成為主戰場,是因為它的對錯很清楚。程式能不能運行,測試會不會通過,錯誤有沒有修好,全部可以自動檢查。這讓 AI 公司能快速知道自己有沒有進步,也讓企業客戶容易算出價值。相反,「這段中文讀起來自不自然」「這個解釋能不能讓非技術的主管聽懂」,很難變成一個數字。

業界用來比較模型的標準化測驗,叫基準測試(benchmark)。SWE-bench 是其中最有名的一套,它從真實的開源軟件問題中挑出題目,要求 AI 修改程式並通過測試。一段時間內,它幾乎成了編程模型的成績單。

某種能力愈容易量度,公司就愈容易比較成績,也愈容易把進步做成產品。編程任務可以拆成明確問題,由測試自動驗收,節省多少工時也較容易計算。在前沿模型競賽中,它既能展示能力,也較快轉化成企業願意付費的服務。中文行文是否自然、解釋能否讓人聽懂,較難用單一分數衡量,對成本和收入的影響也不容易立即看見,所以即使沒有人刻意忽視,優先次序仍可能排在後面。

分數高,不等於真會做事

2026 年 2 月,OpenAI 停止公布 SWE-bench Verified 的成績。SWE-bench Verified 是 SWE-bench 的篩選版本。OpenAI 抽查了 138 題,都是它自家 o3 模型反覆解不出的題目,佔題庫約 27.6%。結果發現,其中 59.4% 的測試或題目描述有重大問題。有些測試會拒絕功能上正確的解法,例如要求模型使用題目根本沒有提過的函式名稱,答對的人反而被判錯。

另一個問題更根本,就是污染。SWE-bench 的題目取自公開的開源項目,受測的前沿模型都能在部分題目上重現原本的標準修正,甚至說出題目的原文細節。這表示它們在訓練時,很可能已經見過部分題目和解答。

這正是古德哈特定律(Goodhart's law)所說的情況:當一個指標變成了目標,它就不再是好指標。模型學會應付測驗,分數很漂亮,未必能在陌生的項目裡把事情做好。

能力確實在進步,獨立研究提供了數據的支持。METR以 HCAST、RE-Bench 等任務,測量 AI 有一半機率完成的任務,人類專家通常要花多長時間。2025 年的研究估計,2019 至 2025 年間,這個長度約每七個月翻一倍。研究同時提醒,這衡量的是有一半機率完成的情況,不代表 AI 能穩定完成同樣長度的任務。

分數說明得了模型會做什麼,卻無法告知用起來是什麼感覺。這種差別,在產品上更明顯。

感覺變差,可能來自產品的取捨

2026 年 4 月,Anthropic 發表了一份關於 Claude Code 質量下降的事後報告,解釋用戶為什麼覺得它變差了。Claude Code 是 Anthropic 的編程工具。報告指出,問題來自三項產品層的改動。

第一項改動為了降低延遲,Anthropic 在 3 月把 Claude Code 的預設推理強度(reasoning effort,指模型回答前投入思考的程度)由高調為中,目的是減少介面長時間思考時看起來卡住的情況。用戶很快察覺回答變淺了,Anthropic 在 4 月 7 日撤回了這項改動。

第二項改動出在記憶上,3 月 26 日上線的一項優化,本來是為了加快閒置對話的恢復速度,卻因為程式錯誤,令模型每一輪對話都清走先前的推理紀錄,而原本的設計只應清除一次。於是 Claude 還能繼續工作,卻漸漸忘了自己剛才為什麼這樣做,出現健忘、重複,甚至奇怪的工具選擇。

第三項改動為了減少冗長,Anthropic 在 4 月 16 日於系統提示中加入限制,要求每次調用工具之間的文字不超過 25 個英文單詞,最終回應通常不超過 100 個單詞。報告承認三項改動都造成了質量下降,同時表示底層模型不受影響,也沒有刻意降低模型質量。

該報告談的是編程工具,沒有談到中文寫作,但它清楚說明了一個道理,為了速度、成本或簡潔而做的產品層調整,會先被用戶感覺到,而且感覺是整體變差。用戶口中的「降智感」,有時變的是整個產品的運作方式,模型本身未必有變。

這也解釋了為什麼感受常與基準測試分數脫節,因為分數只看任務有沒有完成,產品調整卻會改變過程中的每一步。

分數升了,體驗為什麼仍會變差?

用戶的感受也應該量度

既然感受會受產品調整影響,評測就不能只看模型能不能完成任務。用戶的評價本身,也應該被納入。

一套政務公文系統的經歷,可以說明這一點。據某地方政府導入公文系統的報道,熟手處理一份公文的時間,由最快二十分鐘縮短到兩分鐘。張Sir在《政府公文 AI 的第 90 天》分析過這類系統上線後的變化。頭一兩個月,時間縮短這麼多,用戶自然覺得好用;熟悉之後,省下的時間不再顯眼,偶爾出現的錯誤卻格外刺眼。這些變化,大致對應三種現象。

第一是新奇效應(novelty effect),新工具因為新鮮,初期的評價和使用率通常較高,熟悉之後這份好感便會淡去。第二是期望不確認,用戶滿不滿意,取決於實際表現與事前期望的差距,兩分鐘一旦成為日常,期望就跟著升高。第三是算法厭惡(algorithm aversion)。一項經典研究發現,看到算法犯錯後,人對它的信心下降得比看到人犯錯後更厲害,即使算法的整體表現更好。

這些變化可以在測試中捕捉到,張Sir團隊在一個政務 AI 項目中做過配對 A/B 測試,用同一組任務和附件,同屏並列兩個版本,讓實際用戶比較內容是否清楚、自然、可信,以及是否願意採用。用戶的判斷,就這樣變成了可以比較的數據。

用戶評價要看哪些指標,也要事先說清楚。以政務公文為例,任務完成率、首次通過率、人工接手率、平均來回修改次數,以及每項成功任務的總成本,都比帳號數或生成份數更能說明系統是否可用。張Sir團隊在項目中看到,人工核對、錯誤重跑、格式修補和跨部門溝通,經常比模型的調用單價更影響總成本,所以總成本要把這些開支一併算進去。

AI 要看兩張成績表

誰來覆核,誰來維護數據

業界稱這種安排為人在迴路(human-in-the-loop, HITL),即在關鍵環節保留人的判斷。這個迴路需要兩個崗位。用戶端的人是承辦人員和審批人,可以改稿,也能看見生成的依據,對系統保有參與感。平台端的人負責維護數據,哪一條仍然有效,哪一條已經撤銷,哪個部門改了名,都要按週期更新。前者決定用戶會不會繼續用,後者決定系統到了第二年還準不準。

這些安排聽起來很瑣碎,卻是很多 AI 產品最容易省掉的部分。演示時,AI 看起來能獨立完成整件事。到了第 90 天,用戶才會慢慢分辨,哪些任務可以放心交給它,哪些仍要自己把關。

會完成任務,不等於會當同事

一個具備代理式能力的 AI 可以寫出能通過測試的程式,卻不代表它理解這段程式為什麼存在。它可能知道要讓檢查通過,卻不知道檢查背後的目的;它可能完成了指令,卻沒有察覺指令會影響其他功能;它也可能產出大量技術細節,卻無法把重點講成產品經理、客服或主管聽得懂的話。開場那封電郵也是如此,六段內容看來完整,客戶最關心的新交付日期卻藏在最後。

一位好的同事,除了把交辦的事做完,還會問:這樣做會不會影響其他人?有沒有更簡單的做法?結果怎樣向不懂技術的人解釋?AI 若要從工具變成協作者,也需要這些能力。因此,衡量它的進步時,不能只看編程測驗,也要看它能否安全、可靠地完成任務,並把過程與結果說清楚。

說回開場,下次 AI 把一封簡單電郵寫成六段,同事不妨先問一句:客戶看完第一段,知道新的交付日期嗎?若答案仍藏在最後,這封信便未算完成。

@張Sir的AI養生館 – 創新智人

參考資料

Anthropic. (2026, April 23). An update on recent Claude Code quality reports. Anthropic Engineering.

Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114–126.

Kwa, T., West, B., et al. (2025). Measuring AI ability to complete long tasks. arXiv.

OpenAI. (2026, February 23). Why SWE-bench Verified no longer measures frontier coding capabilities. OpenAI.

與 AI 聊天愈久愈不聽話,是它變笨了嗎?

與 AI 聊天愈久愈不聽話,是它變笨了嗎?

AI 每次回答都會回看前面的對話,錯誤和舊的要求留得愈多,後面愈容易不聽話

協作者:張Sir與AI

上一篇《提示詞還要學嗎?》發出後,有朋友跟張Sir說,他已經照著做,不背提示詞公式,直接和 AI 對話,哪裡不對就叫它改。可是談得愈久,AI 反而愈不聽話,改過的錯處會再出現,後面補的要求也好像視而不見。

這個問題正好補上上一篇沒有講完的一半,把 AI 當同事,用日常說話邊做邊改,方法沒有錯,只是同一段對話拖得太長,錯誤、舊要求和轉題全部堆積在一起,AI 便可能被前面的內容牽著走。

設想一場會議開了幾個小時,主管先叫人按部門整理,後來改為按地區,最後又刪去一項數字。三個版本都放在桌上,卻沒標明哪份仍然有效,同事便可能拿著舊版繼續做。AI 面對長對話,也要同時看著新舊要求、自己之前的答案、文件和工具結果。

聊久了,表現便變得忽好忽壞

今年 4 月,Microsoft Research 和 Salesforce Research 公布一項研究,把原本一次講完的要求拆開,讓 15 個模型逐步收到資料,再和一次講齊的版本比較,共測試超過 20 萬段模擬對話。

研究為 15 個模型完成任務的答案評分。用戶一次講齊要求時,模型平均約有 90 分;要求拆到多輪才逐步講完,平均只剩 65 分。

研究還把同一道題重複測試十次。較高分的一端只下降約 16%,高分和低分之間的距離卻增加 112%。意思是模型仍然答得出好答案,但有一些對話會差得很遠。研究人員回看這些失敗對話,發現模型常在資料還沒講完時先猜答案,後面再沿著早段的猜測走。同一項工作,有時答對,有時從第一步開始走偏,用戶感受到的就是忽好忽壞。

一句更正有時改不回來,是因為新一輪對話不會擦掉前面的答案,模型仍然看得到那條錯路。輪數只是表面,對話裡留下了什麼,對後面的輸出影響更大。

對話裡的內容,不會自動分出輕重

上下文(context)是 AI 當下可以看到的全部內容,包括對話歷史、文件、規則和工具結果。模型的視窗能放得下很多資料,不代表應該全部放進去。裡面每多一項,AI 便多一項內容要分辨和取捨。

長對話究竟會在哪裡出錯?從事 AI 工程工作的 Drew Breunig 看過多種人工智能代理失靈的情況,在 How Long Contexts Fail 文章裡整理成四類,之後再於 How to Fix Your Context 一文說明處理方法。

第一類「中毒」,就是很多人熟悉的人工智能幻覺(hallucination,即 AI 編造出來的內容)留在對話裡。發現後立即改正,問題還不大;後面每一輪都把它當成事實,整段對話便會走偏。

  • 中毒(Context Poisoning),AI 出現幻覺,後面一直把錯誤當真。先核對重要資料,錯了便停止沿用。
  • 分心(Context Distraction),資料太多,AI 被舊紀錄困住,忘了原來要做什麼。先摘要出目前的目標和進度。
  • 混淆(Context Confusion),文件、工具和規則太多,AI 不知道先用哪一個。只保留這次需要的材料。
  • 衝突(Context Clash),新舊要求同時存在,像幾個老闆一起發指令。移除舊版本,再交代完整新版本。

以上四種情況也會互相牽連,錯誤先令對話中毒,資料增加後開始分心,用戶再改要求,新舊版本便互相衝突。

為什麼 AI 愈聊愈不聽話?左邊是對話剛開始,只有目標,右邊是聊了很久,舊要求、錯誤、文件都留著,AI 每次回答都要回看全部。

這種幻覺怎樣一路留下來,研究論文《Breaking Contextual Inertia》附錄有一個例子。用戶問物理治療總費用,AI 自行加上「保險承擔 80%」,用戶從未提供這個條件。後來用戶補上每小時收費 125 美元,AI 仍沿用保險假設,算出 600 美元;按用戶實際提供的條件,答案應是 3,000 美元。

研究者把這種固守先前推理、連用戶更正也難以扭轉的傾向稱為上下文慣性(contextual inertia)。AI 收到了更正,可是前面的錯誤已經成為後面計算的起點。

就算沒有明顯錯誤,內容太長也會分心。Chroma 的研究團隊稱這種現象為上下文退化(context rot)。他們的技術報告測試 18 個模型,其中一項測試只給約 300 個詞元(token,即 AI 處理文字的基本單位)的相關內容,表現都比讀取約 11.3 萬個詞元的完整歷史好。上下文視窗放得下,不代表全部內容都有幫助。

除了資料太長會分心外,選項太多則會混淆。設想一個人工智能代理(AI agent)有 50 個工具,這次只需查訂單進度,其餘工具的說明仍然全部放在對話裡。可選的工具愈多,選錯的機會也愈多。

辦公室也常見新舊要求的衝突,同事先叫 AI 把各部門的數字分成三張表,主管後來改為合在一張總表。若只補一句「不要分開」,AI 仍不知道原來的欄目和小計是否保留。改成「只交一張總表,以部門為列,不另做分表」,才完整取代舊要求。

要求一路改,AI 最容易掉隊

表格版本改來改去,仍算同一件工作。日常對話還有更大的轉向,連任務的對象和用途也換了。寫一封信,可能經過這幾輪:

  • 先幫我寫一封客戶信。
  • 語氣再正式一點。
  • 不要提到降價。
  • 改成給法務看的版本。
  • 等等,剛才那個條件還是要保留。

前兩句仍在修改同一封信,到了「改成給法務看」,對象和用途都變了。AI 若沒有重新整理目前版本,法務稿裡仍可能出現已經刪去的降價內容。

這種中途改口和轉題,正是《LLMs Get Lost in Evolving User Intent》測試的情況。研究把交給大語言模型(LLM)的題目由一次問完改成最多七輪,再加入三種變化:補充條件、改掉先前條件,以及轉去做另一項相關工作。轉題可以是先找餐廳,後來改為訂位;放回上面的例子,就是由寫客戶信改成寫法務稿。九個較新的模型在數學題上的表現全部下降,轉題造成的下降最大。

研究者再分開測試對話變長和要求改變。GPT-5.1 做同一批數學題,只用意思不變的內容把四輪延長至七輪,準確率由 87.0% 變成 87.5%;七輪裡加入更多方向轉變,便降至 82.0%。多三輪沒有令成績下降,改方向才有影響。客戶信改成法務稿後,讀者、用途和判斷標準都換了;舊對話仍在談怎樣說服客戶,AI 便容易沿著已經作廢的目標繼續寫。

整理目前版本,再開啟新對話

多輪對話的問題既然來自舊內容累積,處理時就要先把目前仍然有效的內容分出來。對話開始變亂時,先不要再補一句指令。請 AI 整理一份「目前版本」,只留下五類內容:

  1. 現在要完成什麼。
  2. 哪些要求仍然有效。
  3. 哪些舊要求已經作廢。
  4. 哪些事實、數字和來源已經核對。
  5. 還有哪些假設和問題未確認。

AI 整理完,人還要看一遍。數字和來源有沒有錯,作廢條件是否仍混在裡面,AI 自行加上的假設有沒有被當成事實,這些都要檢查。確認後,把這份目前版本貼進新對話,讓 AI 只按現行要求繼續工作。

對話亂了,怎麼辦?左邊是繼續補指令,舊內容愈積愈多,右邊是整理目前版本後開啟新對話,只留現行要求。

貼進新對話的,就是這次任務的最新狀態。上一篇談過覆盤和 Skill,常用的語氣、標準和流程可寫進 Skill;這次的進度、數字和臨時決定,只放進新對話。兩類資料分開,一次性的要求便不會混入長期規則。

資料分開後,支援 Skill 的 AI agent 可以代為整理;尚未支援的,便由用戶把目前版本貼進新對話。兩種做法都要由人確認目標和核對結果。

本文開頭提到的那位朋友,不用再學一條更長的提示詞。繼續補指令,只會令舊對話更長。整理目前版本,核對後再開啟新對話,AI 看到的便只有現行要求,不必再猜哪一句才算數。這樣,改過的錯處不容易再冒出來,後面補的要求,也較容易被 AI 看見。

@張Sir的AI養生館 – 學習智人

參考資料

Breunig, D. (2025, June 22). How long contexts fail. dbreunig.com.

Breunig, D. (2025, June 26). How to fix your context. dbreunig.com.

Chen, X., Zhang, Z., Guo, S. Y., & Zou, D. (2026). Breaking contextual inertia: Reinforcement learning with single-turn anchors for stable multi-turn interaction. In Findings of the Association for Computational Linguistics: ACL 2026 (pp. 6302–6318). Association for Computational Linguistics.

Hong, K., Troynikov, A., & Huber, J. (2025, July 14). Context rot: How increasing input tokens impacts LLM performance. Chroma.

Laban, P., Hayashi, H., Zhou, Y., & Neville, J. (2026). LLMs get lost in multi-turn conversation. The Fourteenth International Conference on Learning Representations.

Tack, J., Laban, P., & Neville, J. (2026). LLMs get lost in evolving user intent (arXiv:2607.20734). arXiv.

會員登入

還沒有帳號? 立即註冊