AI 是會說話的黃色小鴨
AI 的價值不在它多聰明，在於它迫使你把話講清楚
歡迎回到《非正式寫作》理解複雜世界，前往那尚未被命名的自己。
我怎麼知道自己想什麼，直到我看到自己說了什麼？
― E.M. Forster
在程式設計的世界裡，有一個流傳已久的 debug 技巧，叫做「小鴨除錯法」1。
做法很簡單：當你被一個 問題/Bug 卡住、怎麼都找不到原因的時候，在桌上放一隻橡皮小鴨(或任何物體)，然後對著它，從頭到尾把你的程式邏輯講一遍：這段程式碼要做什麼、資料怎麼流動、為什麼你覺得它應該要正常運作。
如果手邊沒有小鴨，找一個同事也行。你走到他的座位旁邊，說：「欸，我跟你講一下這個 bug，幫我看看。」然後你開始從頭解釋。
這個方法有兩個好處。第一，多一雙眼睛，也許對方真的能幫你看出問題。第二，也是更常發生的情況，你講到一半，突然頓住，然後說：「啊，等等…我好像知道了。」
你的小鴨/同事可能連一個字都還沒說。
這就是小鴨理論最神奇的地方：大約 80% 的機率，解答就在你開口說到一半就自己浮現了。那隻小鴨從頭到尾什麼都沒做。真正在運作的，不是那雙額外的眼睛，而是你自己把混亂的思緒「翻譯」成語言的這個過程。
我們的大腦很擅長在模糊中運轉。你可以帶著一個隱約的理解繼續寫程式，感覺好像每個環節都想通了。但當你被迫用語言一步一步講出來的時候，那些「感覺想通了」的地方就會露出破綻。
換句話說，語言化不只是溝通的工具，它更是一種思考的方式。而小鴨的角色，只是給了你一個「必須開口」的理由。
《非正式寫作》探索並理解當代世界的多面向特質。
週一更新。馬上訂閱，與 1700+ 位讀者一同升級 ⬆️
多數人用錯了 AI
問題的表述往往比其解決方案更為重要。
— Albert Einstein
前期《如何用”元問題”打開未知的大門》探討過一個現象：人們對 AI 的評價正在呈現一種 M 型化的分布。一邊覺得 AI 徹底改變了他們的工作方式，另一邊的人試用了幾次之後聳聳肩：「也就那樣吧，沒有想像中那麼厲害。」
中間地帶很少。要嘛覺得非常有用，要嘛覺得完全幫不上忙。
我自己也經歷過這個階段。一開始，我使用 AI 的模式跟用 Google 沒有太大區別：腦中浮現一個問題，丟一段關鍵字進去，期待它直接吐出答案。有時候有用，但大多時候得到的回覆不痛不癢，讓我覺得「AI 也不過如此」。
後來我才意識到，問題不在 AI，而在我從一開始就把它放錯了位置。搜尋引擎處理的是 Known Unknowns (你知道自己不知道什麼)，所以你能下對關鍵字，找到答案。比如「台北 101 的高度是多少？」，這種問題 Google 一下就有了。
但我們日常面對的複雜問題，根本不在這個象限。它們屬於 Unknown Unknowns (你不知道自己不知道什麼)。你甚至沒辦法組織出一個精確的問題，因為你對問題本身的理解就是模糊的。
AI 的真正價值恰恰在這裡。但它的運作方式不是「你問它答」，而是更接近前面提到的小鴨：當你試著把自己的情境、脈絡、目前的理解完整地交代給 AI 的時候，那些你原本不知道自己遺漏的東西，會在敘述的過程中浮現出來。
這就是為什麼同一個工具會產生 M 型化的評價：把 AI 當搜尋引擎的人，只觸及了known unknowns，而這本來就是 Google 能做的事；但那些願意花時間把 context 講清楚的人，進入了 unknown unknowns 的領域。
那裡才是 AI 真正拉開差距的地方！
☆
表達即思考
寫作就是思考 。寫得好就是要思緒清晰。這就是為什麼它如此困難。
— David McCullough
怎麼從 known unknowns 跨進 unknown unknowns 的領域？
答案：「把話說清楚」。
這五個字，做起來遠比字面上困難得多。
我之前的一篇電子報《寫作是一種 ...》當中提到：我們低估了書寫對思考本身的幫助。我們習慣把寫作理解為「把已經想好的東西記錄下來」，但實際的經驗往往相反 — 你是在寫的過程中，才發現自己真正想說什麼。
寫了再讀，好像又能讀到新的東西。那些新的東西不是憑空出現的，它們一直都在，只是在你被迫把思緒組織成文字之前，你看不見它們。
當你試著把一件事情的脈絡完整交代出來：背景是什麼、你目前理解到哪裡、哪些地方你有把握、哪些地方你其實不確定，那些「不確定」的縫隙就會開始浮現。
而這些縫隙，正是你原本不知道自己遺漏的東西。這也是為什麼我認為，大多數人對 Prompt/Context Engineering 的理解只停留在表面。
一般的理解：我把 prompt 寫得越清楚、context 交代得越完整，AI 就越能理解我的問題，給出越精準的回答。這當然沒有錯。但它只描述了 Prompt/Context Engineering 比較淺的那一層：讓 AI 更好地理解你。
更深的一層是：當你認真地有系統地把上下文交代清楚的過程中，你自己會更理解你自己的問題。
你會發現：
原本覺得「我很清楚自己要什麼」的地方，其實經不起推敲。
你以為你知道目標，但當你試著寫下來，才意識到你對目標的定義是模糊的。
你以為你理解了現況，但在交代脈絡的過程中，才發現有一整塊你沒有考慮到。
它更大、更潛在的好處，是逼你做了一輪你本來不會做的自我釐清。那些在 書寫/對話 過程中被你自己發現的盲點，才是最珍貴的收穫。而這些收穫，在 AI 開口回答之前就已經發生了。
☆
認知苦工悖論
思考是最艱苦的工作，這大概就是為什麼這麼少人從事它的原因。
— Henry Ford
我們使用 AI，本來是為了省力。但要讓 AI 真正幫上忙，你得先花上一段不小的力氣。
這個臨界門檻，我稱之為「認知苦工」。
第一層苦工，是前面幾段一直在談的：你必須把自己的問題想清楚、把情境梳理明白、把想達成的目的具體化。
這件事聽起來理所當然，做起來卻異常困難。因為它要求你誠實地面對自己思考中的模糊地帶，而不是繞過它們。AI 能發揮多大的能力，很大程度取決於你在這一步投入了多少。
第二層苦工，是比較少人談到的。
很多人的經驗是這樣的：AI 在單獨一個任務上表現得很好，幫你寫一封信、整理一份摘要、回答一個技術問題。但回到真正的日常工作，卻覺得 AI 的影響沒有想像中那麼大。
這不是因為 AI 能力不足，而是因為真正的工作從來不是一個又一個獨立的任務，而是一整個環環相扣的系統。不論你是在大型組織裡協作，還是在處理個人的專案，每一個環節都跟其他環節牽連在一起。
就算 AI 可以在單點上做到 90 分，但把這些點連成一條線、織成一張網，這件事仍然需要人類的思考與決策作為黏著。
你需要理解哪些環節之間有依賴關係、哪些決策會牽動其他部分、整體的優先順序是什麼。這些都是 context，而且是跨越多個任務、多個時間尺度的 context。
當然，你可能會想：「那我把這整張網的脈絡都交代清楚，把 whole picture 完整描述給 AI，它是不是就能幫我把整個系統串起來？」
理論上，我認為是可以的。
但為什麼很少人能做到？因為「把整張網講清楚」這件事本身，就是一個巨大的認知苦工。能夠把一個系統的全貌、各環節的關聯、潛在的衝突與取捨，用語言完整地描述出來，這需要的不只是表達能力，而是你對這個系統已經有了足夠深刻的理解。
這就是悖論所在：AI 最能幫助你的時刻，恰恰是你已經做完最難的那段思考之後。省力是真的，但它發生在苦工之後，不是之前。
☆
會說話的小鴨
明智的問題就是智慧的一半。
— Francis Bacon
讓我們回到那隻小鴨。傳統的小鴨除錯法是單向的：你講，它聽，你在講的過程中自己頓悟。這個方法有效，但它完全依賴你自己的思路。如果你的盲點剛好在你敘述的路徑之外，你可能講完一遍還是發現不了。
AI 是一隻進化的小鴨。它不只聽，它還會回話。我在之前的電子報《別問 AI，讓 AI 問你》中探討過這個概念：與其把 AI 當成一個「你問它答」的工具，不如反過來，讓 AI來問你。
這個翻轉打開了幾種非常不同的互動模式：
反芻：讓 AI 用它的話重述你剛才說的內容。當你看到自己的想法被換一種方式表達出來，經常會發現「等等，我想說的其實不是這個意思」，這就是盲點浮現的瞬間。
挑戰：請 AI 針對你的觀點提出反駁。你覺得邏輯通順的論證，被挑戰之後才發現有些環節其實站不穩。
採訪：讓 AI 扮演記者或主持人，用一問一答的方式把你腦中模糊的想法逼成具體的語言。你可能有一個隱約的靈感，但在被追問「所以你具體的意思是？」的時候，才真正成形。
辯論：讓 AI 站在相反的立場跟你對話。不是為了說服你改變想法，而是為了讓你看見自己論述中最薄弱的環節。
傳統的小鴨是一面被動的鏡子，你站在哪裡，它就照哪裡。AI 是一面會自己調整角度的鏡子，它可以轉向你照不到的地方，讓你看見側面和背面。
這也回應了一個我們經常在網路上看到的擔憂：AI 會不會取代人的思考、讓人變笨？
如果你用前面提到的方式，把未消化的混沌直接丟給 AI，讓它幫你想，那確實有這個風險。但如果你把 AI 當成一面更靈活的鏡子，用它來加速你自己發現盲點的過程，那它做的事情恰恰相反：「它不是替你思考，而是逼你思考得更深。」
差別不在工具，在於你怎麼用它。
☆
勇氣與好奇心
真正的發現之旅並非在尋找新風景，而是在擁有新眼睛。
— Marcel Proust
我在之前的電子報《高效寫作流: 從靈感到發佈》中提過一個觀點：當第一句話被寫下，80% 的事情已經完成。AI 正在把這個比例推得更極端。當越來越多的執行工作可以被自動化，《當執行變得廉價，什麼才是真正的稀缺？》
不是技術，不是工具，甚至不是知識。
我認為是兩樣東西：勇氣 和 好奇心。
勇氣，是因為上面談的所有事情：理清 context、做認知苦工、把模糊的思緒逼成具體的語言，沒有一件是輕鬆的。
它要求你在取得好處之前，先付出一段與過去習慣不成比例的努力。
它要求你改變原本的工作模式，離開「丟個關鍵字等答案」的舒適圈。
它要求你誠實地面對自己的理解有多少是真的清晰、多少其實是模糊的假象。
這些事情不難理解，但需要勇氣去執行。
好奇心，則是讓這一切持續運轉的燃料。當你帶著好奇心去跟 AI 互動，不只是問「這個問題的答案是什麼」，而是追問「還有哪些面向是我沒想到的」。你會進入一個飛輪效應：你發現盲點，盲點帶出新的問題，新的問題打開新的領域，而每一圈的轉速都比上一圈更快。那些你原本因為時間有限而無法涉及的領域，突然變得可以觸及。
AI 不會取代你的思考，但它會放大你的思考習慣。如果你帶著勇氣和好奇心走進來，它是一個強大的加速器。如果你只是把混沌丟進去等答案，它就只是一個比較貴的搜尋引擎。
回到最初那隻小鴨。它從來都不是因為聰明才有用。它有用，是因為你願意開口。
現在，這隻小鴨進化了。它會回話、會反問、會幫你照見你看不到的角落。但一切的起點，仍然是同一件事：「你願不願意，先把話講清楚。」
《非正式寫作》探索並理解當代世界的多面向特質。
週一更新。馬上訂閱，與 1700+ 位讀者一同升級 ⬆️
與 Browny 聯繫
這是你第一次來嗎？ 訂閱 (免費)
在 LinkedIn 上追蹤我以獲得更多見解
進一步瞭解 Coffee Chat & 45分鐘職涯診斷與策略諮詢
就像银河系漫游指南里，42是终极问题的答案，但是根本不知道那个“终极问题”到底是什么