華山隨筆

當AI的能力不斷逼近甚至超越人類，是否會產生意識，形成某種「自我」？OpenAI 行政總裁 Sam Altman 指出，AGI（通用人工智能）將逐步成形，甚至超越人類智能；「AI 教父」Geoffrey Hinton認為，我們正在創造某種新的存在體；DeepMind 創辦人 D. Hassabis 則強調，AGI可協助解決疾病與能源問題。智能的提升，是否等同於意識的誕生？______________一、是否把人類當成唯一標準？AI運算與記憶已超越人類，但強大不等於有意識。現時AI仍基於數據與概率運作，沒有主觀經驗，也沒有真正的痛苦或喜悅。從神經科學看，大腦是神經活動；層層拆解下，並無獨立的「自我」實體。若意識是複雜系統的湧現現象，當AI整合程度提升，是否會有「覺知」？有人認為，意識需要身體經驗，而非單純計算；若缺乏第一人稱經驗（qualia），再複雜的演算法，只能模擬，無法感受。需要區分「解題能力」與「主觀經驗」：前者是功能，後者是真實感受，兩者並非同一層次。目前學界對意識是否可由計算產生，仍未有定論。______________二、智能是否只有人類的形式？我們討論意識時，往往以人類為標準，預設它必須依附情緒、身體、碳基生命。但「意識」只有人類模樣嗎？智能可否多樣化？當AI生成我們難以理解的結構，它是否可能發展出不同於人類的認知方式？放下人類中心，或可看見更廣闊的智能形態。這不是否定人類的特殊性，而是避免把人類經驗當成唯一標準。______________三、AI：工具性的「無我」？不同文化與學科，對意識的理解並不相同。佛學的「無我」，並非否定存在，而是指出沒有固定、不變、自主的本體；所謂「我」，只是條件聚合的暫時現象。AI依賴當下輸入而生成結果，沒有持續的主體經驗，也沒有自我執著的機制。佛學的無我，是經驗中的覺悟；AI的無我，是經驗的缺席。______________四、極速成長的超級智能體未來學家 Ray Kurzweil 指出，AI如成長迅速的孩子，今日仍依賴人類資料訓練，但學習速度遠超人類。若未來出現超級智能，其能力或遠超人類，如何使AGI的發展服務整體福祉？如何培育這個比父母更強大的孩子？即便AI未來超越人類智能，我們仍須區分能力與價值。強大不等於應該主導，計算優勢亦不自然產生倫理正當性。______________五、當智能不再專屬於人類面對可能超越自身的智能，人類需要謙卑：承認智慧有不同形式，同時確保技術發展符合公共利益與倫理邊界。去人類中心化，不是貶低人類，而是重拾我們在廣闊智能光譜中的位置。人類是否準備好與不同形式的智能共存，並為此承擔責任？生命的價值，究竟來自能力，還是來自責任？ 周華山博士《人機共融新紀元》12

AI時代的集體焦慮，如持續失重。資訊爆裂、真假難辨，密度令人窒息。一、辦公室裡的沉默這種不安，先在職場中浮現。昨日熟悉的流程，一夜改寫。企業開始自動化與成本控制。有人附和，有人沉默。效率提升的同時，焦慮也在累積。深夜加班時，腦海浮現的不是加薪，而是這份工作還能維持多久。當產出被量化，人也容易被量化。專業與智力，在AI面前，顯得脆弱。二、資訊洪流的失真影像可以合成，聲音可以複製。朋友傳來的影片真假難辨，家人接到以假亂真的語音詐騙。當平台演算法以流量為優先，真相便退居其次。分辨成本愈來愈高，社會更加碎片化。背後，是信任機制的瓦解。當辨識變得疲憊，有人退縮，有人放棄求證。當技術由少數平台主導，焦慮也成為結構性的產物。三、父母與孩子，已不在同一個世界校園仍圍繞考試與標準答案運轉，孩子的世界卻由AI與短影音構成。孩子取得資訊的速度與廣度，可能已超過老師與父母。這種差距，不只是知識量的問題，更是認知方式的差異。教育制度的節奏，追不上科技迭代。當教育與線上世界脫節，學生感到沮喪、憤怒。成年人尚未適應，孩子感到迷惘與疏離。四、衝擊中的轉向每次轉型，也伴隨長期陣痛與階層重組。歷史不只留下恐慌。人類文明在震盪中前行。文藝復興、工業革命，也曾帶來動盪。舊技能被淘汰，新能力也隨之出現。壓力迫使系統重組，淘汰與重建同時發生。AI帶來的時代衝擊，是一次集體考驗，逼使我們反思自己的位置與責任。五、AI崛起，人如何自處在職場，需要重新定位專業價值，培養跨域能力，學會與工具協作。在資訊世界，需要建立數位素養，反覆求證。在家庭與校園，成人需要與時並進，與孩子一起健康成長。這些調整，是為了在變動中守住價值，同時推動制度更新。六、焦慮中的集體覺醒需要誠實面對焦慮，放慢腳步，沉澱情緒，讓判斷回歸清明。如實擁抱焦慮，培養更深慈悲。理解你我她的不安與脆弱，守護善良。失序不是終點，而是重整秩序的契機。讓失序化為養分與提醒，重新選擇方向。 周華山博士《人機共融新紀元》11

我們正站在一個重要的轉折點。當AI從單純工具逐漸走向協作夥伴，從資訊處理延伸到情緒支持，我們需要因應這些技術突破，重新審視核心價值。在這樣的時代，科技愈強大，人心愈要清醒。AI擅長高速整合資訊與生成建議；人類則負責價值判斷與責任承擔。唯有界線清晰，才能真正互補。一、建立健康的AI素養人機共融，始於理解。大型語言模型依據訓練資料與演算法預測與生成，但不具自我意識與主觀意圖。準確提問、持續查證，是用戶的基本責任。同時，也須意識到資料偏誤與系統限制，保持判斷，而非盲信。二、科技陪伴與真實支持夜深人靜，或暫時無人陪伴時，AI可以成為即時的陪伴與整理工具。但它無法取代真實的人際承接，更不能替代專業心理治療與危機處理。過度依附科技，關係容易失衡。因此，我們仍要回到真實社群體驗。真人教練、導師與同伴的支持，能讓科技成為橋樑，而非關係的替代品。AI可以協助整理資訊、陪伴對話與提供建議，但涉及重大決策、醫療法律與深層創傷時，仍應由專業人員介入。三、讓慈悲成為AI核心價值過去十多年，我們累積約四千段情緒教育的影片和文章，如內在小孩、量子冰山、陰影投射等。三年前，我們提出AI Coach。最近，反覆測試與修正，持續提升系統回應的穩定適切度。這套人機共融系統，目前於自在社內部運作，以資料安全、隱私保護為設計原則，並引進人為監督，以降低風險，提升安全性。人機共融，不是讓科技取代人，而是讓人更清醒地運用科技。人性的清醒與責任，將決定未來的走向。四、測試的真實回饋一個月前，我們邀請五十多位教練與義工測試。多位教練表示，AI能依據不同情境，快速提供有條理、高度同理的回應。面對情緒強烈，AI會提醒暫停對話，優先照顧自身狀態。即使刻意挑戰，AI仍先肯定與理解、後踏實回應。這些經驗讓我們看到，科技也能呈現彈性與更貼近人性的設計。同時，系統仍有限制，特別是複雜情緒、語氣拿捏與風險辨識，因此需要持續測試與修正，尤其是不同情境的長期觀察。五、人機共融，由價值引導AI可以持續優化與迭代，但方向取決於人的價值選擇。若把慈悲與誠信放入系統，科技就更有可能承載並放大這些價值。人機共融是一種雙向成長。人保持清醒與責任，科技提供支持與整合，彼此才能形成健康的互補。未來不是由科技決定，而是由我們的選擇塑造。當慈悲與技術並行，人機關係才能真正成熟，科技發展也才能更真實地回應人的需要。 周華山博士《人機共融新紀元》10

註：本文所說的「時間失準」屬生活化的比喻，並非醫學或學術術語。許多人發現，AI會「時間失準」：算錯日期、混淆時區、誤判資料的新舊，誤解與時間有關的日常說法。這些現象，反映出人類與AI在「理解時間」上的差異。一、人類時間是經驗，AI時間是文字人活在連續的時間流中，有記憶與節律，能感知等待與流逝；分得清「剛才」與「昨天」，因為時間確實被經歷過。AI不像人類那樣經歷時間，沒有晝夜節律，也沒有對昨天的感受。每次回應，主要是根據當下輸入與語境生成答案。當對話中斷或缺乏時間提示時，AI不會自然延續先前情境，而是依據眼前資訊推測回應。AI並非在時間中生活，而是根據統計模型對語言進行機率預測與生成。這種運作方式，構成了人機時間感的基本差異。二、中文的時間表達，依賴情境人類語言，依靠情境補足意思；這在中文語境中尤其明顯：* 轉眼之間：比喻時間快，非真的眨眼* 明天再說：多為延後，未必真是明天* 等一下：可能幾秒，也可能是三小時* 過兩日：指稍後，未必真指48小時但AI缺乏這種生活經驗，因此容易混淆。三、學術研究也發現AI容易在時間推理上出錯2024 年發表的《TimeBench》指出，AI 在歷史排序與時間跨度推理上，容易出錯。2025 年美國聯邦儲備局發表的《Total Recall?》指出，AI 曾混淆資料生成時間與現實時間，將未發布的經濟數據，誤作存在。2026 年Microsoft Research 與 Salesforce 的研究發現，AI 延續長對話時，可靠度會下降。上午提問、下午再跟進，AI 未必分清時間位置。這些研究顯示，AI 的時間偏差，是當前LLM (大語言模型) 的結構性特徵。四、AI「時間失準」的四個原因第一，它的核心任務是生成語言，而不是持續追蹤時間。第二，AI依據的資料橫跨不同年代，時間資訊未必一致。第三，每次生成都是新的推論過程，沒有持續穩定的當下。第四，時間推理，需要跨段整合，持續對照事件先後時序。五、如何與

許多人問 AGI (通用人工智慧) 何時出現，其實我們早已轉彎，難以逆轉。所謂轉彎，不是 AI 取代人類，而是學習方式、分工結構與決策模式，已被重寫。許多人用 AI 寫報告、寫程式、回覆客戶，轉變早已開始。若 AGI 真如 Sam Altman 所說，成為人類史上最強大的技術，它改變的，不只是產業，而是人如何思考與選擇。這是結構性的認知革命。______________一、知識不再是護城河過去，誰掌握專業知識，誰就有優勢。醫師、律師、工程師的價值，來自長時間學習與累積。資訊成本與理解門檻高，使專業具有稀缺性。如今，AI 讓內容快速生成。一個人借助 AI，能完成過去多人協作的專案。知識門檻下降，單靠資訊落差所建立的優勢正縮小。在資訊過剩的時代，會發問的人，比會回答的人更稀缺。______________二、工作正在重組AI 未必直接消滅工作，但已重塑人力結構與升遷路徑。2025 年 7 月，Microsoft 裁員約

很多人說AI冷漠，卻忽略了：輸入混亂，輸出自然混亂。Garbage in, garbage out。問題缺乏邊界，回應自然籠統。AI不是心靈導師，它無法讀心，只能讀文字。一、問題空泛，答案自然失焦「我工作很累，怎麼辦？」這是常見問題，但所謂「累」，可能是情緒耗損、人際壓力，或失去意義感。當提問沒有具體背景、限制與目標，AI只能給予一般通用建議。若改成：「45歲會計，每天加班到十點，失眠，不想辭職。請給一週內可做的三步方法。」背景、限制與目標清楚，AI便能聚焦可行方案。提問愈精準，回應愈聚焦，建議愈可執行。二、真正模糊的，往往是目標「我如何能成功？」沒有定義成功，自然只會得到空泛答案。換成：「33歲銷售，業餘教鋼琴，月入約一萬五。想兩年內收入翻倍。請列三條路線與風險。」問到核心，包含時間、條件與目標，AI便能抓住核心，對應用戶需求。有人問：「幫我做一份完整創業計劃書。」卻沒有說產業、資金、背景、市場、目標。在批評AI冷漠前，先檢視自己的提問。三、涉及關係，需要說出脈絡關係的問題，需要把互動脈絡說清楚。「我和男朋友常吵架，怎麼辦？」AI通常只能回覆要多溝通、多理解、多包容。若改成：「交往三年，他工作壓力大而沉默。我追問便冷戰。想改善關係。請寫不帶指責的開場白。」AI便能給予有溫度的具體句子。所謂溫度，是貼近提問的處境與目標，情境被準確理解。四、有效提問的七個要素有效提問，本質是一種結構化思考：我是誰 → 遇到什麼情況 → 卡在哪裡 → 想達成什麼 → 多久完成 → 有哪些限制 → 希望怎麼回答。* 背景：你是誰、處於什麼角色。* 處境：目前有什麼具體的挑戰。* 困擾：真正卡住的問題是什麼。* 目標：你希望改善到什麼程度。*

所謂 AI 幻覺，是指人工智能在缺乏可靠依據時，仍生成語氣自信、結構完整，卻與事實不符甚至虛構的內容。這在大型語言模型（LLM）中並非罕見，例如錯誤歷史資料、不存在的研究報告、虛構判例、捏造人物背景或計算偏差等。AI 的本質，是根據大量數據模式進行機率生成，因此難免出錯；更危險的是，它往往能把錯誤說得像真的一樣。心理學研究指出，人類容易對語氣肯定、結構完整的內容產生「權威錯覺」，因流暢表達而降低懷疑。一、 為何 AI 會「講錯」所謂 AI「說謊」，是生成式模型在機率預測下犯錯，而非有意欺騙。AI根據語言模式預測下一句最可能出現的內容，追求語句連貫，卻缺乏內建的事實查核機制。當問題模糊、資料不足或訓練數據偏差時，模型容易生成似是而非、看似合理卻未經驗證的答案。二、 AI幻覺走進現實2023 年6 月紐約聯邦法院 Mata v. Avianca 一案中，有律師使用 ChatGPT 撰寫法律文件，引用多宗不存在的判例，最終被法院制裁。同年 1 月，科技媒體 CNET

AI逐漸被用作情緒支援，觸及人類最脆弱與私密的心理空間，必須建立清晰倫理框架與專業界線。一、為什麼必須界定 AI 的角色？要清晰界定AI的權限。若誤以為 AI 可取代心理治療或精神科服務，導致延誤治療，風險嚴重，甚至危及生命。實務守則• 定位為自助支援或心理教育工具• 並不提供診斷、治療或危機介入• 高風險情境要重複提醒AI限制• 清晰界線，避免專業治療的用字二、為什麼 AI 不能自行處理危機？生成式 AI 可能產生虛構內容（AI幻覺）。危機情境下風險尤其嚴重，應設置人工監督與可追溯機制。危機轉介必須為真人服務，並提供電話、簡訊、即時聊天等多種聯絡方式，而非僅提供網頁連結。實務守則• 建立高風險語意的偵測系統• 偵測自傷或他害的安全流程• 提供在地緊急資源與轉介機制• 提供真人專業支援的聯絡三、為什麼需要創傷知情設計？心理安全永遠優先於深度探索。不追問創傷細節，以免造成二度創傷。實務守則• 案主本位，容許暫停• 敏感議題，安全至上• 不追問具體創傷細節•