【AI 世代教養學】AI時代為什麼要訓練大腦？別把你的認知都外包了

文／謝伯讓（臺大心理系教授、腦與意識實驗室主持人）
 

AI風險事件，看到使用者判讀的重要性

2023 年，美國紐約南區聯邦地方法院審理的「馬塔控訴雅維安塔公司」 （Mata v. Avianca, Inc. ）一案，迅速成為全球法律界討論生成式 AI 風險的指標事件。在這起案件中，原告律師為了撰寫法律意見書，使用 ChatGPT 協助搜尋與整理判例。然而，他沒有進行必要的查證，就直接將 AI 生成的多個案例提交給法院。後來法院發現，這些判例都只是 AI 虛構的內容。承審法官凱斯特在裁定中明確指出，律師對所提交文件的真實性負有不可推卸的專業責任，並因此對涉案律師處以制裁。

這起事件的重點，不在於 AI 會不會犯錯，因為任何工具都可能出錯，真正的關鍵在於，當工具能生成看似完整、語氣自信、格式嚴謹的內容時，使用者是否仍保有獨立判斷與查核的能力？

心理學家瑞柏爾（Rolf Reber）和史瓦茲（Norbert Schwarz）的研究發現，人們在判斷資訊真偽時，會受到「加工流暢性」（processing fluency）的影響：當訊息在知覺或理解上較為容易處理時，個體較傾向評估其為真實或可信。我們因此應該警惕：流暢性本身僅是一種表面線索，而非真實的指標。若僅因文字表達流暢、論述完整，便降低進一步檢證與反思的動機，就可能導致對錯誤資訊的過度接受。

AI 能做得更好，不等於人就全然交託

人們常把「外包」理解成省力：既然工具更強，那就交給工具。但這裡有一個很容易被忽略的邏輯錯誤：行為能被外包，不等於主體也應該被外包。你可以把某些任務交出去，但你不能把「作為一個能夠定位、選擇、承擔的人」也一起交出去。

哥倫比雅大學的心理學家斯佩洛（Betsy Sparrow）2011年發表在《科學》期刊上的研究顯示，當個體預期資訊可由外部裝置（如數位工具或網路）隨時取得時，就會降低對該資訊的內在記憶編碼與提取努力。加拿大滑鐵盧大學認知心理學家瑞斯科（Evan F. Risko）與哈佛大學社會心理學家吉爾伯特（ Daniel T. Gilbert）將此現象概念化為「認知外包」（cognitive offloading），指出人們會系統性地利用外部資源以降低認知負荷。長期而言，這類策略可能會重新分配個體在記憶、注意與問題解決上的資源配置，並有弱化認知能力的風險。

例如GPS 比你認路厲害，這沒有疑問，但如果你自己完全不會認路，那你可能就喪失了空間巡弋的主權：你會無法判斷導航是否帶你走錯、無法臨時改路、甚至在迷路時無法理解自己在哪裡、該往哪裡去。工具越強時，只要主體越弱，就會越容易被工具的輸出牽著走。大腦訓練也是同樣的道理：你可以用 AI 來加速，但你不能讓自己失去知道自己在做什麼的能力。

不訓練大腦，你連「是否該用 AI」都判斷不了

英國的認知神經科學家佛利斯頓（Karl Friston）主張，大腦的核心功能在於建立內在模型，並持續透過修正預測誤差來逼近外在世界。任何外部資訊（包含 AI 生成的答案）都必須經過個體既有模型的比對與更新，才能被判定為「可信」或「不可信」。若缺乏長期訓練所累積的模型精細度與誤差敏感性，大腦將無法有效評估預測誤差，也無法區分表面合理與實質正確之間的差異。換言之，若內在模型貧弱，大腦不僅難以評估 AI 的輸出品質，甚至連何時應該依賴 AI、何時應該保留人類判斷，都失去基準。

行為濟學學與心理學家康納曼（Daniel Kahneman）在其雙系統理論中也指出，人類判斷往往依賴快速而自動化的系統一，而非耗費資源的系統二 (註1)。AI 生成內容通常具備高度語言流暢性與結構合理性，這些特徵較易觸發系統一的「認知流暢性偏誤」，使人傾向在未經深入驗證的情況下接受其結論。若我們不常去啟動和訓練系統二的分析與反思能力，那麼在面對 AI 時，就會更容易陷入「看似合理即為正確」的錯誤判斷。因此，不訓練大腦並非只是知識不足，還會缺乏啟動高階認知控制的能力，導致在 AI 輔助情境下更易被誤導，甚至無法意識到自己需要審查 AI 的輸出。

決策能力由長期認知訓練而來，並非可外包的能力

心理學家吉格蘭澤（Gerd Gigerenzer）也主張決策能力具有情境依賴性，所謂「生態理性」（ecological rationality）指的是策略是否適配特定環境。

以醫療影像為例，在篩檢乳癌這類「訊號穩定、標準明確」的任務中，AI 通常是在大量標註資料上訓練而成，其優勢在於能穩定偵測微小但具有統計規律的影像特徵，此時人類專家與 AI 的結合往往能提高整體準確率。

然而，當情境轉為臨床診斷，例如一位病人同時出現多重非典型症狀（如罕見疾病、共病交互作用或新興病原），如果這類情境特徵在訓練資料中本就稀少甚至不存在，那麼AI 的判斷便可能出現「自信但錯誤」的輸出。

具備訓練的醫師會辨識出這類關鍵差異：前者是「統計規律穩定的辨識問題」，後者則是「高度不確定且需整合脈絡的推理問題」，因此會在面對前者時提高對 AI 的依賴，在面對後者時則會主動降低依賴並回到臨床推理與額外檢驗。相對地，未經訓練者往往容易忽略這種任務結構差異，並可能在複雜診斷中過度相信 AI，或在標準化篩檢中不必要地排斥 AI。
換言之，「是否該用 AI」並不是由 AI 本身決定，而是取決於個體是否具備辨識情境結構與不確定性的能力；而這種能力，正是長期認知訓練的產物，而非可被外包的功能。

我們訓練大腦，是為了保有判斷、承擔與自我提升

回到最初的問題：AI 既然能做得更好，為什麼還要訓練大腦？原因在於，如果我們不訓練大腦，我們將逐步失去判斷、承擔與自我提升的能力。AI 可以幫你做得更好，但它不能替你生活；它可以給你路徑，但不能替你決定哪條路值得走；它可以幫你降低風險，但不能替你承受選擇的責任。大腦訓練的終極目的，是要讓你在AI橫行的世界裡，仍然能清醒地做出自己的選擇。

(註1)康納曼（Daniel Kahneman）在《Thinking, Fast and Slow》（中譯《快思慢想》）一書中提出著名的「雙系統理論」（Dual-Process Theory）。他認為，人類的思考模式主要由兩套系統運作：一是快速、直覺且自動化的「系統一」（快思）；二是較慢、需要投入注意力與邏輯分析的「系統二」（慢想）。這兩套系統相互配合，共同影響我們每天的選擇與行為。