文章同步發表在我的Blog
用 ChatGPT 管理健康一段時間後，我遇過一個很容易讓人困惑的情況。
同一件事情，前幾天問，ChatGPT 建議我休息。
過幾天再問，看起來差不多的情況，它卻說可以做輕鬆運動。
又例如晚上運動後的飲食。
有時候它提醒我不要太晚進食。
另一次看到我跑完步、晚餐份量較少，卻又建議安排跑後補給。
如果把兩段回答單獨截出來，很容易產生一個疑問：
ChatGPT 到底哪一次才是對的？
剛開始，我也會覺得這代表 AI 前後矛盾。
後來 DailyLog 記得越完整，我才慢慢理解，有些看似相同的問題，其實條件根本沒有完全一樣。
更重要的是，即使條件真的很接近，AI 的回答也不能被當成一條不可推翻的規則。
假設我問：
「今天很累，晚上還要不要跑步？」
看起來是一個很簡單的問題。
但答案其實可能受到很多事情影響。
昨天跑了十公里嗎？
最近連續幾天睡不好嗎？
今天的一萬步是正常通勤，還是已經走了一整天？
明天有沒有另一個運動安排？
現在只是心理上不想出門，還是腿部真的有疲勞感？
如果第一次詢問時，我告訴 ChatGPT：
昨晚睡五小時，前一天剛完成長距離跑步。
它建議休息，很合理。
幾天後我又說：
今天有點累，要不要跑？
但這一次其實睡了七個多小時、昨天是恢復日，只是下班後有點懶。
那麼它建議先做一段輕鬆跑，也不一定和上一次矛盾。
真正不同的是背景。
這也是 DailyLog 越記越久之後，我覺得它很有價值的地方。
人很容易只記得自己的問題。
「那天我也是很累啊。」
「上次也是晚上跑步啊。」
「之前不是說十點後不要吃嗎？」
但回去看紀錄，常常會發現細節不同。
例如上一次晚上運動：
睡眠 7.5 小時。
晚餐正常。
跑步時間不長。
這一次：
睡眠只有 5 小時。
下午已經很餓。
跑步時間又更長。
兩次都叫「跑步日」，實際情境完全不同。
所以當 ChatGPT 前後說法看起來不同時，我現在第一件事不會急著問：
「你之前不是這樣說。」
我會先回去找：
當時我們到底拿哪些資料做判斷？
晚間補給就是很典型的例子。
我曾經替自己訂下：
晚上不要因為嘴饞一直找東西吃。
這個原則對我很有幫助。
但後來遇到晚上運動，事情就變複雜了。
有些跑步日，我大約八點才結束運動。
接下來還要處理家庭行程。
如果補給一路拖到十點多，我就會開始猶豫：
這不是已經違反「晚上不要吃」嗎？
但回到 DailyLog，看完整情境後才發現：
「休息日十點半吃餅乾」
和
「訓練日十點多補乳清」
雖然時間很接近，真正要處理的問題不同。
所以後來 ChatGPT 有時提醒我避免晚間進食，有時又建議我保留運動後補給。
這兩個建議表面上方向相反，其實各自在處理不同情境。
問題出在我自己把它們簡化成同一句：
「晚上到底可不可以吃？」
這是我後來改變使用方式的一個重點。
以前如果 ChatGPT 說：
今天建議休息。
我可能就只看結論。
現在我會更在意它根據什麼理由得出這個判斷。
例如：
因為最近連續訓練三天。
因為睡眠下降。
因為昨天已有高活動量。
因為明天還有另一個訓練。
或者：
雖然今天覺得疲累，但近期負荷並不高，所以可以先從低強度活動開始。
一旦理由被說清楚，我就比較容易比較兩次建議。
如果前提不同，答案不同很正常。
如果前提真的幾乎一樣，答案卻差很多，那我就會提高警覺。
這也是我後來必須接受的一件事。
ChatGPT 可以整理資料、找規律，也能提供很有用的第二意見。
但它不是一套每次輸入相同問題，就保證產生完全相同答案的健康公式。
問題怎麼描述、提供哪些背景、當下對話裡有哪些資訊，都可能影響回答。
甚至同一份資料，也可能存在不只一種合理做法。
例如今天到底：
完全休息，
做三十分鐘伸展，
還是輕鬆跑三公里？
在某些狀況下，三個選項都可能合理。
這時候我如果期待 AI 給出唯一正確答案，本身就容易產生問題。
為了避免今天聽一個答案、明天又全部改掉，我把一些反覆驗證過的東西保留下來。
例如：
不因單日體重波動大幅修改飲食。
睡眠明顯不足時，降低訓練要求。
運動後可以有計畫性補給，但要注意時間與份量。
聚餐後直接回正常生活，不做補償性節食。
特殊情境要留下備註，不和一般日直接比較。
這些原則已經經過多次實際生活驗證。
所以即使某一次 ChatGPT 給出的建議稍微不同，我也不會立刻把整套規則推翻。
AI 的新建議必須和既有經驗一起看。
現在如果發現 ChatGPT 前後建議不一致，我通常會做三個檢查。
第一個是：
資料有沒有變？
睡眠、運動量、飲食、特殊情境是否真的相同？
第二個是：
問題有沒有變？
「今晚能不能吃」和「運動後要不要補給」，其實不是完全相同的問題。
第三個是：
哪個建議比較符合我已經驗證過的生活原則？
如果之前某個做法已經執行很多次，而且身體反應穩定，我通常不會因為一次新的回答就推翻它。
這三個問題幫我把「AI 怎麼又改口了」轉成比較實際的判斷。
DailyLog 也能幫我抓出 AI 忽略的東西
有時候問題確實在 AI。
例如我把最近一週資料給 ChatGPT，它可能很注意運動量，卻沒有把睡眠不足放到足夠高的優先順位。
這時候我可以直接指出：
最近其實已經連續三天只睡五、六個小時，這一點有沒有影響建議？
加入這個條件後，答案可能就會改變。
這讓我越來越不把 ChatGPT 的第一個回答視為最終答案。
如果我覺得它忽略了一件重要的事情，我會把那個條件補回去。
AI 可以檢查我的盲點。
我也需要檢查 AI 的盲點。
** 我自己的記憶也會出錯
有趣的是，使用 DailyLog 後，我也發現「前後不一致」不一定都是 ChatGPT 的問題。
有時候是我記錯了。
我會說：
「上次也是睡六小時，你不是叫我照跑？」
回去看紀錄，才發現上次其實睡了七小時。
或者我記得：
「之前聚餐隔天不是說要少吃嗎？」
重新看對話，才發現當時說的是回到正常飲食，根本不是刻意少吃。
人的記憶很容易把複雜的討論濃縮成一句簡單規則。
DailyLog 和原始對話反而讓我有機會重新確認。
現在我對 AI 建議的要求和以前不太一樣。
我不要求每一次回答都一模一樣。
我更在意：
這次的建議有沒有根據目前資料？
理由和前提說得通嗎？
有沒有違反我已經反覆驗證過的生活經驗？
如果執行後身體反應不好，能不能再調整？
這些問題比「哪一次才是標準答案」更有價值。
因為健康生活本來就不可能永遠只有一種做法。
夏天和冬天不同。
工作忙和休假不同。
睡飽和睡眠不足不同。
訓練日和恢復日也不同。
真正應該保持一致的，是判斷方式。
這是我用 ChatGPT 管理健康走到這個階段後，很重要的一個轉變。
一開始，我希望 AI 告訴我答案。
後來，我更希望它幫我把理由整理清楚。
DailyLog 提供事實。
ChatGPT 幫我找前後關係、提出可能解釋。
我再拿既有生活原則與身體感受一起判斷。
如果建議不同，我不急著選邊站。
先看看是哪個條件不同。
如果真的沒有明顯差異，就把兩種方案都當成可能選項，再選擇代價比較小、比較容易觀察結果的一個。
然後繼續記錄。
這樣做之後，ChatGPT 前後回答不同，對我來說已經沒有以前那麼困擾。
因為真正逐漸穩定下來的，不再是 AI 每一次說什麼。
而是我自己知道：
做決定前，應該檢查哪些事情。
下一篇，我會把這些每天分散的判斷整理成一個更固定的習慣：每週回顧。* 我後來發現，真正讓 DailyLog 發揮價值的時間，不是每天填完那一刻，而是每隔一段時間，把七天的生活一起交給 ChatGPT，看這週到底發生了什麼。
iThome鐵人賽
看影片追技術