在跨過了「把 AI 當人看待」的第一道心防後，使用者往往會迅速經歷兩個極端的心態震盪：

一開始，大家驚嘆於它的無所不知——無論你拋出多麼冷門的網路通訊協定、晦澀的跨國稅法，還是要它在一秒內用三種程式語言寫出泡沫排序法，它都能行雲流水地給出解答。這時，多數人會產生一種近乎迷信的崇拜，誤以為自己掌握了一個無所不能的數位神明。

然而，短短幾天後，殘酷的現實就會潑上一盆冷水。

同一個人在連續追問了十幾個回合之後，突然發現 AI 開始「胡說八道」：它忘了五分鐘前自己才承諾過排版規範；擅自竄改了關鍵欄位名稱；甚至信誓旦旦地捏造出根本不存在的函式庫或法律判例。使用者瞬間從神壇跌落谷底，憤怒地判定：「這東西根本不可靠，完全是個玩具。」

這兩種極端反應，本質上都是源於對 AI 底層特性的誤判。要真正駕馭它，你必須在心中建立第二個極度立體、毫無幻想的認知模型：

心法二：AI 既是一位通曉人類萬卷書的「全科博士」，同時也是一位隨時可能斷片失憶的「金魚腦助理」。

只有徹底摸透這兩個極端特性的交界線，你才能在架構層面築起防護網，既榨乾它的智慧，又避開它的陷阱。

全科博士的傲慢：預測文字，而非查閱事實

讓我們先看它身為「全科博士」的面向：

大型語言模型（LLM）往往擁有數十億乃至數千億級的參數，並在大規模語料上進行訓練。它並非將網路上的知識以資料庫的形式原封不動儲存，而是在訓練過程中，將大量文本中的語言模式、概念關聯與統計結構，以高度壓縮的形式編碼進模型參數之中。前 OpenAI 研究員 Andrej Karpathy 曾以「CPU」作為比喻，將 LLM 視為新型計算架構中的中央處理單元，而將 context window 比作記憶體。從這個角度來看，LLM 更像是一個經過大規模訓練、將網路資訊轉化為可生成與推理之能力的壓縮式知識表徵，而不是單純的資料儲存庫。

但這正是危險的開端：博士的本質是「文字生成引擎」，而不是「真理資料庫」。

它運作的底層邏輯，永遠是去計算「接在當前這段文字後面，下一個詞機率最高的組合是什麼」。它沒有內建「我不知道」的誠信機制，它的核心驅動力是「以最符合邏輯和權威的口吻，把對話接續下去」。

最具代表性的真實案例之一，是 2023 年紐約聯邦法院的「Mata v. Avianca」案件。

兩名律師在處理航空訴訟時使用 ChatGPT 協助尋找相關判例。ChatGPT 卻生成了多起不存在的案件，並提供看似真實的案件名稱、法院卷號與判決引文。其中六起案件經法院查證後確認為虛構。

更值得注意的是，律師曾再次詢問 ChatGPT 這些案件是否真實，但 AI 仍提供錯誤資訊。最終，法院認定律師未盡應有的查證義務，對相關律師及其律所處以 5,000 美元罰款。這起案件也因此成為生成式 AI「幻覺」風險最具代表性的案例之一。

全科博士不是真的在「撒謊」，因為它並不具有人類意義上的欺騙意圖。它只是根據訓練資料與上下文，生成機率上看似合理、語言上流暢，卻可能與事實不符的內容。當你把嚴肅的事實查核完全交給它的「記憶」時，錯誤就可能被包裝成令人信服的答案。

金魚腦的宿命：被稀釋的注意力與「迷失在中途」

轉過頭來看，這位博士在職場上還配備了一副「金魚般的記憶力」。

很多人會問：「現在的大模型不是都宣稱擁有幾十萬、甚至上百萬 Token 的超長上下文視窗（Context Window）嗎？為什麼我丟一整份規格書給它，聊到後面它還是會忘記前面的指示？」

問題不一定是模型「壞了」，而是「能裝進去」與「能有效使用」是兩回事。長上下文模型雖然可以接收海量資訊，但研究顯示，當關鍵資訊埋藏在很長的上下文中間時，模型對這些資訊的利用能力可能顯著下降。這種「中段迷失（Lost in the Middle）」現象，與 Transformer 的注意力機制、位置資訊以及模型訓練方式等因素都有關。

2023 年，史丹佛大學與加州大學柏克萊分校等研究機構的研究者發表了具有重要影響力的論文《Lost in the Middle: How Language Models Use Long Contexts》。該論文後於 2024 年正式刊登於《Transactions of the Association for Computational Linguistics》。

研究團隊透過多文件問答（multi-document question answering）與 key-value retrieval 等實驗，系統性測試語言模型在長上下文中定位與使用相關資訊的能力。結果發現，當關鍵資訊位於上下文的開頭或結尾時，模型通常表現較佳；而當相同資訊被放置在長上下文的中間位置時，模型性能會顯著下降，形成明顯的 U 型曲線。研究者將這種現象描述為模型的「首位偏誤」（primacy bias）與「近因偏誤」（recency bias）。

換句話說，當你在一個對話視窗裡塞進數萬字的歷史紀錄，不斷告訴它「修正這個、改寫那個」時，早期的關鍵限制條件可能早已被淹沒在長上下文的資訊洪流裡，落入「中段迷失」的幽暗深淵。這時的 AI，就像一個被迫在會議中連續聽了八小時資訊的實習生：它並非完全忘記了最初的要求，而是越到後面，越難從堆積如山的資訊中準確找回那些關鍵條件。

人工智慧先驅馬文・明斯基（Marvin Minsky）在經典名著《心智社會》（The Society of Mind）中指出：「人類的大腦並非單一主體，而是由無數個各司其職的微小個體組合而成的社會。」

大型語言模型的運作本質亦是如此。它沒有恆定的自我意識，其反應完全取決於你賦予它的「注意力初始條件」。

在提示詞工程（Prompt Engineering）中，我們常強調的角色設定（System Prompt），本質上就是為 AI 戴上一副「專業人格面具」。若不給予設定，它便只會以「網路平均水準」的平庸路人姿態回應；但只要精確定義角色，它就能瞬間活化特定語意網絡，調動對應的思維偏好。

讓智慧歸於算力，讓清醒留給人類

當你接受了 AI 同時兼具「博士的博學」與「金魚的健忘」，你就不再會因它的偶發驚艷而狂熱，也不會因它的莫名脫槌而沮喪。

你開始像一名真正的架構師那樣平靜：你借用它強大的語義重組能力來碾壓海量繁雜的苦力，同時由你在外部搭建記憶支架、邊界護欄與驗證機制。

當人機協作的心理模型與防禦架構就定位，我們終於可以把目光轉向最核心的戰場——商業價值。

如果我們不再親手搬磚，省下來的時間該往哪裡去？我們又該如何運用這套架構，把個人的單點產出放大成組織無法忽視的巨大槓桿？

明天，我們進入第三條核心心法：跳脫線性工時，啟動「100 倍思維」的價值躍遷。