人類能動性的幻象：AI 如何削弱人類心智

Google DeepMind 的 AlphaGo 在 2016 年擊敗李世石，這是圍棋史上的分水嶺，但 AI 對圍棋的真正衝擊並非職業棋手的即時失勢，而是人類能動性的緩慢、潛移默化的侵蝕。棋類在超人棋局出現後仍能藉由人文戲劇與電競存活，圍棋卻成為一個更令人擔憂的現象實驗室：逐步的失能化。

當人類將認知委託給一個尚可或超人的 AI 時，往往以為自己只是在使用工具提升技巧。實際上，他們可能正自動化掉構成精通的核心過程。這種轉變很少是突如其來的崩潰，而是一連串小而舒適的讓步，最終使實踐者無法在沒有機器的情況下運作。

AI 作弊者的社會學

歐洲團體錦標賽中 Carlo Metta 的案例說明了 AI 融入的社會動態。Metta 被指控在線上對局中使用 AI，這一指控得到他在線上表現超人、實體棋盤（OTB）水平停滯不前的鮮明對比的支持。儘管證據確鑿，Metta 最終因起訴不力與社會壓力而被宣告無罪。

此事樹立了危險的先例：當指控作弊者的社會成本高於作弊本身的成本時，賽事主辦方往往會感到無力感而放棄追究。這種環境使 AI 的使用變得普遍，並不一定出於惡意或爭奪獎金，而是出於「閒置的好奇與懶惰」。

被動學習的陷阱

在教育環境中，面對困難棋步時「側眼」AI 解答的誘惑無處不在。學生常以保有藝術控制權為藉口，認為 AI 只是協助他們發揮潛在潛能的工具。以下是一位學生的常見錯覺，亦是 AI 使用者的典型妄想：

「我從不讓 Leela 選擇走法。我只自己決定哪一步比較好，因為這樣我認為可以在 Leela 的幫助下找到自己的風格。」

這種感知的能動性是一種幻象。驗證解答與構造解答之間有根本差異。就像一位只能跟隨證明每一步的數學學生，卻無法把握「大局」的動機，AI 使用者只是在註冊洞見，卻未將其內化。他們處於永遠在為永遠不會通過的考試做準備的狀態，因為他們從未學會在沒有提示的情況下駕馭不確定性的空白。

超越棋盤：程式設計與創意工作

圍棋中觀察到的模式遠遠超出棋盤本身。在軟體工程領域，AI 程式碼助理的興起已將勞動從初階實作轉移至高階架構設計。雖然這提升了生產力，卻為工藝創造了一個「過渡時刻」。缺乏手動除錯的艱苦教訓，初階工程師在代碼庫中以提示方式前進，可能會引入只有資深工程師才能日後拆解的隱形錯誤與架構混亂。

這種「認知卸載」在各種智力工藝中皆可見：

• 寫作： 將文法與流暢度交給大型語言模型（LLM）會使寫作者的清晰思考能力因不斷潤飾文字而退化。
• 研究： 使用模型探討假說卻不手動檢視資料，會讓「雜質」以正當研究的名義流通。
• 程式碼： 依賴代理人修復錯誤常導致 AI 自己產生問題卻無法解決，使用者因缺乏基礎理解而卡住，無法介入。

舒適的代價

學習本質上是令人不適的。它需要在困惑中掙扎、對抗阻力。AI 消除這些摩擦，提供一條「通往驚人表現的高速公路」——透過模仿。然而，這種效率以探索的代價為代價。當 AI 的走法隨時可得，實驗次佳但具人性策略的動機便會消失。

當我們將 AI 融入職業與創意生活時，我們面臨選擇。我們可以將這些工具作為啟動理解的跳板——先記錄自己的判斷，再使用 AI 進行評估；亦或我們會滑入「腦部腐爛」的狀態，成為雇主與模型之間的中層管理者。

最終，AI 輔助的棋手或程式設計師的悲劇不在於被機器取代，而在於他們自願成為自己的替代者，將真正精通的滿足感換成模擬成功的舒適感。