「當解題者想達成某種結果，卻一時不知道怎麼做到，問題就出現了。」
—— 紐厄爾、蕭與西蒙，1959 年，〈Report on a General Problem-Solving Program〉，節譯。

上一篇，邏輯理論機交出了一份跟書上不同、卻同樣成立的證明。

我們沒有因為答案不一樣，就判它錯。把推理逐步檢查過，確定成立，那就承認它找到了一條新路。

聽起來，事情終於有個可靠的標準了。

但先別急。

在機器開始找答案以前，有一份工作，人類早就替它做好了。

要證明什麼、可以使用哪些規則、怎樣才算完成，全都已經交代清楚。

電腦很努力，出題的人也沒閒著。

現在，把數學書拿走，換成一句我們平常真的會說的話：

「幫我把下載資料夾整理乾淨。」

這下，題目沒那麼清楚了。

「乾淨」是依專案分類，還是把舊檔案清掉？那份叫做「最終版_真的最後_改3.pdf」的文件，是垃圾，還是明天要交的東西？

光是檢查操作有沒有成功，回答不了這些問題。

檔案確實刪掉了，不代表那個檔案就該刪。

上一篇，我們要求機器交出經得起檢查的答案。這一篇，得先確認它以為自己在解什麼問題。

而當年那群研究者，也開始想把機器帶出那本數學書。

這次，連「想辦法」都想交給機器

1957 年起，紐厄爾、西蒙與蕭開始發展一套新系統。

General Problem Solver。通用問題解決器，簡稱 GPS。

不是車上的導航。不過，它也在找路，只是找的是從問題走到解答的路。

他們想把「解題的方法」與「特定領域的知識」分開。換一種任務，提供相應的知識與規則，就能讓同一套解題方法繼續派上用場。

到底怎麼做？

1959 年的報告裡，作者用一段接送孩子的情境來說明。

你要送兒子去幼稚園，但車子發不動。要讓車能開，得先換電池；要換電池，可以找修車廠；要讓修車廠知道你需要幫忙，得先打電話。

原本的目標是送孩子上學，眼前該做的事，卻變成拿起電話。

孩子可能覺得爸爸怎麼還不出門，但這通電話，其實是在替出門排除障礙。

這就是 GPS 的核心方法之一：手段—目的分析。

先比較現況與目標差在哪裡，再找能縮小差距的操作。如果操作暫時做不了，就把缺少的條件，變成要先處理的小問題。

這段接送故事是作者的說明，不是 GPS 真的打過電話叫修車廠。

不過，聽到這裡，你可能已經想插嘴了。

都快遲到了，為什麼不直接搭計程車？

你想到的那條路，它不一定有

對，這就是問題。

我們聽故事時，腦中會自動補上其他選項：搭計程車、請家人接送，或是先打電話跟老師說一聲。

但當年的 GPS，不會因為讀到一句生活故事，就自己補齊這些常識。

研究者得先把任務整理成它能處理的形式，包括有哪些東西、能做哪些操作，以及操作的條件與結果。

沿著剛剛的例子想：如果提供給它的描述裡，沒有搭計程車這個選項，就不能期待它找路找到一半，突然靈機一動，想起還能叫車。

這跟上一篇的「找出新證明」並不矛盾。

它可以把已有的規則組合出新走法，但不代表那些沒被提供的知識，也會跟著冒出來。

再加一個條件，事情就更清楚了。

假設你真正要的是「八點前把孩子送到學校」，但交给系統的目標，只有「把孩子送到學校」。

那麼，即使找到一條下午才抵達的路，也沒有違反它拿到的題目。

學校到了，早上的課也下完了。

步驟可能沒錯，事情卻沒辦好。

搜尋方法再厲害，也不能代替那些根本沒被交代的條件。

所以，GPS 名字裡的「通用」，不是指它知道天下所有事。

通用的是某些解題方法。換了領域，相關知識仍然得有人準備。

這群人把一部分解題工作交給了機器，卻沒有因此省掉另一份工作：

先把眼前的事情，整理成一道機器能解的題目。

會說人話了，這個麻煩就消失了嗎？

把時間拉回現在。

2026 年 9 月 16 日，Anthropic 宣布逐步整合 Cowork 與聊天介面，讓使用者能在同一段對話裡提問，也能直接交付工作。

這類 AI Agent——能規劃步驟、使用工具執行任務的系統——想接下的，不只是「告訴我怎麼做」，而是「幫我做完」。

今天的技術，當然不是把 GPS 裝進聊天視窗。

大型語言模型能利用訓練中學到的知識理解指令，搭配工具，也能讀取資料、查詢資訊，再根據執行結果調整下一步。

很多當年必須由研究者仔細編寫的內容，現在可以透過自然語言與資料補上。

但這不代表，你心裡那道題就一定完整傳過去了。

回到開頭的下載資料夾。

你說「整理乾淨」，可能只是因為每次找東西都很痛苦。你要的是比較容易找到檔案，不是讓檔案數量變少。

如果 AI 把「乾淨」理解成「清掉舊東西」，接下來就算規劃得再漂亮，也可能越做越偏。

先找出舊檔案，再比對日期，最後分批刪除。

看起來有條不紊。

但第一步開始，方向就錯了。

這時候，繼續增加推理步驟，不一定比停下來問一句更有用：

「你主要是想方便找檔案，還是要騰出空間？」

只差這一句，後面的工作可能完全不同。

Anthropic 在介紹 Agent 的工程文章中，也把釐清任務、取得執行結果，以及必要時回頭詢問使用者，放進工作流程裡。

不是每件事都得問，也不是使用者必須先寫出一份完美規格書。

重要的是，會影響整個任務方向的理解，不該一直藏在系統自己的猜測裡。

確認你要方便查找之後，它就可以提出方案：

「那我先按專案分類，保留原檔；疑似重複的另外列清單。」

你沒有替它安排每一步，仍然把工作交了出去。但至少，雙方對「完成」有了比較接近的想像。

「你自己想辦法」，可以是在交付解題的方法，不必連題目的意思也一起交給它猜。

原來，最難的部分一直放在題目裡

回頭看 GPS，它與現代 Agent 的技術差異很大，卻讓我們看見同一件容易忽略的事。

當年，人類得先把任務寫成機器能處理的形式；今天，我們可以直接說人話，仍然需要確認，目標與限制有沒有在理解過程中走樣。

上一篇問的是：這個答案成立嗎？

現在則把問題往前推了一步：

就算答案成立，它解的，真的是我們想解的問題嗎？

畢竟，一個空空如也的資料夾，非常整齊。

但你可能一點也不開心。

不過，故事走到這裡，還有另一個麻煩。

有些條件，是我們忘了交代；另一些判斷，卻是我們自己做得出來，也未必說得清楚。

例如，認出一個潦草的手寫字。

你可能一眼就知道那是什麼。但要你把每種筆畫、角度與變形都寫成規則，光是開頭，就夠你想很久。

同一個年代，法蘭克・羅森布拉特正在研究另一條路。

與其等人類把辨識規則一條條整理好，能不能讓機器接觸例子，從經驗中調整？

他研究的系統，叫做：

Perceptron。感知器。

這一次，研究者準備拿到機器面前的，不是一本寫好規則的數學書。

而是一張張圖案。

人類已經開始教電腦證明定理了。

接下來，卻得先讓它看懂眼前的東西。