王文華／AI也會「想太多」

更多資源、時間、努力，未必會產生更好的結果。

「大型推理模型」（如ChatGPT ｏ3、Claude Opus 4、DeepSeek R1），功能日益強大。使用者通常假設：在指令中給更多資訊、問更多細節，得到的答案就更精確。

ＡＩ大廠「Anthropic」最近發表了一篇論文，推翻這假設。論文指出：更多資訊或重複詢問，反而會降低答案的品質。

舉例來說，如果你問聊天機器人：「你有一顆蘋果、一顆橘子。但你不確定是哪一種蘋果或橘子。朋友跟你玩猜謎，說有百分之六十一的可能性，你手中是五爪蘋果和肚臍丁。請計算你有幾個水果。」

答案當然是兩個，第一句話就說清楚了，中間一大段都是無關緊要、令人分心的資訊。但你一旦提出，大型推理模型便開始思考這些不相關的資訊，延遲了回答的時間，甚至給出錯誤的答案。

另一個例子是用真實數據，分析五百位學生的讀書時間、睡眠時間、和壓力程度，來預測成績。符合常理的因果關係是書讀得愈多，成績愈好。但一旦要求模型刻意考量睡眠時間和壓力程度，它便改變了原來直覺的推理，開始建立睡眠和壓力對成績的關聯，最後產出「深思熟慮」，卻偏離常理的答案。

是的，ＡＩ也會因不相干的資訊而分心。

論文指出大型推理模型其他的弱點還包括：拘泥於問題的文字排列而忽略了問題核心、同一問題被問多次就開始給不同的答案、推理時間愈久愈容易執著，甚至到不願問答終止的程度。

簡單來說，就是當使用者給機器更多資訊或要求，機器也會從「見山是山，見水是水」，變成「見山不是山，見水不是水」。

論文的結論是：要發揮聊天機器人的功能，不是指令愈「長」愈好，而是指令愈「巧」愈好。不是問愈多愈好，而是精準問一次就好。下令者若是頭腦不清，執行者也就跟著糊塗。

這是在說機器，還是人？

工作上，大部分人都想把事做好，於是假設投入更多預算、花下更多時間、更努力，就會有更好的成果。但很可能更多預算，用到不相干的事物。更多時間，花在枝微末節。而更「努力」，只是更「用力」。

管理上，老闆常覺得更多的資訊、報告、會議、修改，會產生更好的結果。但事實上，很多資訊都是噪音，而兩個對的人坐下來談十分鐘，比廿個人在群組來來回回一星期，更有效率。

這當然不是說時間和努力不重要，畢竟書讀得愈多，通常成績愈好。而是說時間和努力都必須花在刀口。

至於刀口在哪，不管是人「工」智慧或人「類」智慧，都還無法看清。

ＡＩ時代，成功的關鍵不再是傳統的聰明、才智、努力，而在於三者之間的分配與收放。那四兩撥千斤、「見山又是山，見水又是水」的境界，人，和機器，都在學習。

（作者為作家，網路媒體《創新拿鐵》創辦人）