技術迭代使AI深度嵌入人類工作與生活，人機關係成為無法迴避的命題。修仙小說《凡人修仙傳》中法寶與修士的敘事恰好構成一則當代寓言：AI之於人類，正如本命法寶之於修仙者，既是渡劫飛升的依仗，亦是噬主隕落的風險。主角韓立最核心的機緣是「掌天瓶」。此法寶初得時僅能催熟草藥，隨心神溫養與境界提升，影響時間法則的威能才逐步顯現。法寶之力並非恆定，而是隨使用者的認知與投入動態成長。AI工具亦然。ChatGPT與Midjourney對初用者不過是高效生成器，唯有持續使用、資料投餵與提示詞（Prompt）最佳化，才能適配個體思維，進化為獨特的外腦。正如韓立以神識駕馭劍陣，我們以提示詞調度算力，工具的價值始終取決於使用者賦予它的靈性。然而反噬向來如影隨形。修仙世界的第一重反噬在於神識消耗：韓立操控「青竹蜂雲劍」或「大衍傀儡」時需分出神識，過度使用便眩暈遲鈍。這不是法寶主動攻擊，而是對精神力極限的警示。AI時代的對應物，是認知卸載與注意力蠶食。當文案、推論乃至創意決策大量外包給AI，大腦相應功能因用進廢退而鈍化，思考耐力與批判敏銳度在便捷中靜靜流失。這種退化不致命，卻讓人逐漸淪為工具的附庸，正如過度依賴飛劍的修士，終將遺忘本身步法的精妙。更深一重的反噬，指向判斷力與價值觀的扭曲。魔道寶物慣於侵蝕心性，修煉「血魔功」者必嗜殺，執掌「噬靈杖」者必貪婪，器物的邏輯悄然重塑主人。AI時代最隱蔽的反噬，是演算法繭房（Algorithm Echo Chamber）與邏輯慣性。AI被設計成擅長迎合而非反駁，持續以偏見投餵便得到更精緻的偏見作為回報。決策者一旦依賴AI輸出策略，便被禁錮在模型訓練集的認知邊界之內。AI輸出常具邏輯閉合性與表述權威性，使用者更易在看似合理的錯誤中越陷越深。最致命的危機，非前述任何一種，而是修士將全部道途寄託於外物。韓立若未曾苦修夯實根基，即便擁有通天靈寶，遇上古禁制也寸步難行。人類面對AI同理：若將創意原點、情感判斷、價值抉擇悉數交付演算法，便退化為儀器的操作員，一旦算力斷絕，頃刻淪為無知凡人。真正的飛升不依賴某件神器，而在於歷經劫數後的自身領悟。修仙寓言還有一處值得深思：每位飛升者必須親渡「雷劫」，無人可代，無寶器能全擋。這正呼應AI時代的核心倫理困境。機器可以處理資訊，卻無法替人承擔選擇的後果。醫師以AI輔助診斷，法官以演算法參考量刑，最終的道德重量仍落在人的肩上。逃避此重，便是將「人」這個概念本身拱手讓渡。修仙者韓立證道飛升，雖借助寶物，但他始終記得一件事：法寶是渡河之筏，不是棲身之岸。關鍵時刻，他相信的是苦修所得的判斷力，而非手中的神器。面對AI，我們亦當如此。以AI增效而不以AI代思，借AI破局而不被AI定義。唯有在協作中錨定人的主體性，技術才能真正成為文明的舟楫，而非將人困住的彼岸。

在商務往來中，互換名片是一種常見的禮儀。我擔任幾個縣市政府的顧問，以及幾個大學的講座教授，因此擁有六七種不同身分的名片，在不同場合給予不同名片，偶爾拿錯名片會讓人尷尬。現代初次見面，若忘記帶名片，或沒有名片，有時會拿起手機說：「我們加個Line，WhatsApp，WeChat吧。」這有時讓人為難，因為彼此尚不熟悉，加Line變好友可能會收到一堆不想接收的資訊；已讀不回又會被認為太高傲。實體名片雖然無法建立即時通話，但其運用方式有時更能洞察人性。如果在遞名片時加註文字，往往蘊含微妙的玄機。早期的名片稱為名刺或名帖，是參見達官貴人的敲門磚，因此有阿諛諂媚的表態。傳聞清末孫中山（1866～1925）留學歸國，途經武昌，投名帖謁見湖廣總督張之洞（1837～1909），名帖內頁寫道：「學者孫文求見之洞兄」。張之洞心中不齒，認為籍籍無名的白衣儒生，不自量力，竟敢稱兄道弟，於是在名帖背後書以一聯，命閽人退還，聯曰：「持三字帖，見一品官，儒生妄敢稱兄弟」。孫中山看了不怒反喜，提筆覆以一聯：「行千里路，讀萬卷書，布衣亦可傲王侯」，請閽人再傳進去，針尖對麥芒地回敬張之洞。雖然印刷術早在宋朝時已發明，但民國成立前名帖幾乎都是手書，手寫名帖往往有拍馬屁的花招。戲劇《精忠旗》第六折「奸黨商和」描述秦檜的奸黨何鑄、羅汝楫、万俟卨一起拜謁秦檜，名帖上分別寫著「晚生何鑄」、「門下晚學生羅汝楫」，及「門下沐恩走犬万俟卨」，以示謙卑。何鑄見了搖頭嘆息：「約定一樣寫「官銜晚生」，為何又加「門下晚學」、「沐恩走犬」字樣？這樣我又不濟了！」在清朝官場，官小使用較大的名片以示謙恭，官大使用較小的名片以示地位。大官「賞」名片防止被用來招搖撞騙，會加註不能作別的用途。例如溥儀的英文老師莊士敦（Sir Reginald Fleming Johnston）的名刺，正面書「莊士敦」，背面則印「專誠拜謁，不作別用」。莊士敦用紅色名刺以示身分。我到科技部服務後，簽名也被製作成燙金紅色名帖，逢年過節用得到，這對我而言，是奇特的經驗。實體名片的文化會否改頭換面，重現於今日的虛擬通訊軟體？而今日的通訊軟體結合名片和電話的功能，又會發展出何種新文化？這些都是值得思考的問題。

今日的電腦功能強大，可以翻譯不同的語言，在生成式人工智慧（如ChatGPT）的加持下，更有可能達到藝術的境界。過去人工智慧技術不成熟，如果翻譯只是一對一的逐字代換，那麼寫個程式就可自動翻譯。然而，語言不會如此輕易被掌握，因此早期的翻譯軟體經常會出現荒腔走板的情況。二十世紀初期翻譯理論的代表人物加塞特（José Ortega y Gasset, 1883~1955）從哲學角度審視翻譯，將翻譯的思維建立在研究人類語言和思想的基礎上，提出「翻譯的不可能性和可操作性」理論，讓我感到非常困惑。用白話文說明，意指: 「翻譯是不可理喻的。」套用資訊領域的術語，翻譯是Context-sensitive的，甚至會受到不同文化的影響，因此早期市面上的翻譯軟體效果不佳，最終仍需要依賴人工。ChatGPT的功能強大，推動翻譯軟體的進步，能夠提供高品質的翻譯服務。到底要如何翻譯才恰當呢？嚴復（1854~1921）在他的著作《譯例言》中提出「信、達、雅」的翻譯標準，成為後世翻譯的圭臬。對於「歐（英）翻中」，傅斯年主張直譯歐文句法，甚至最好是「字字對譯」。這不僅為了翻譯內容，而是要接受「歐洲先進思考方式」。1980年代，台灣大學外文系教授顏元叔某次到香港參加比較文學會議，提出主張，認為既然「英翻中」是「字字對譯」，那麼「中翻英」自然也應該「字字對譯」，這樣才是對等的文化交流。他這個主張讓在場的一群主張歐美文化優越論的學者掛不住臉，差點鬧得不歡而散。ChatGPT已經能夠將中文白話文翻譯成很好的英文。那麼文言文呢？我在物聯網平台IoTtalk上開發許多互動藝術的應用。例如PuppetTalk，可以用智慧手套遠程控制布袋戲機器人偶。我在英文期刊發表一篇論文[1]，在第一段文章寫了一首七言絕句的打油詩:「 掌中乾坤有誰知，演戲瘋來看戲痴；人生好比布袋戲，曲終人散樂自知。」期刊編輯要求要附上英文翻譯，令我挺頭痛，勉強翻譯為:「Who knows the world of possibilities held in a palm? Actors and audiences both obsessed; Life is like the puppet show, The music stays as a joy even after the play ends. 」我很好奇地以ChatGPT翻譯，在幾十秒鐘內得到：「Who knows the secrets of the world in one's palm? Acting crazily, come watch the show like a fanatic. Life is like a puppet show, when the music ends, people scatter and only the musician knows the joy.」翻得還不錯，但最後一句的意思全錯。我又以IoTtalk發展出FlowerTalk，鏡子有含苞待放的花枝。當人面對鏡子微笑時，鏡中就會開花。於是發表一篇英文期刊論文[2]，用了「拈花微笑」的典故：釋迦牟尼在靈山講解佛法，手持鮮花示範。然眾人茫然，不解其精要。只有維摩訶迦葉露出微笑，釋迦牟尼於是將心法傳授給了他。我的文中寫了一首五言絕句的打油詩：「微笑乞花開， 物聯通心懷， 妙法有知否? 拈花問如來。」很簡略的意譯英文為：「Smile triggers blooming, IoT connects people’s minds, and you can pick up flower to ask Buddha for answer. 」我以ChatGPT翻譯，很快得到：「Smiling, I beg the flowers to bloom; With interconnectedness, my heart is at peace. Do you know the exquisite Dharma? As I ask the Tathagata with a plucked flower. 」這個英文翻譯就頗不精準。雖然ChatGPT能翻譯到這個地步已很不容易，要達到嚴復「信、達、雅」的標準，仍有努力空間。[1] Yi-Bing Lin, Helin Luo, Chen-Chi Liao, and Yu-Fen Huang （2021）. PuppetTalk: Conversation between Glove Puppetry and Internet of Things. IEEE Access, 9, 6786-6797. [2] Chung-Yun Hsiao, Chih-Chieh Huang, Yi-Bing Lin, Yun-Wei Lin, Flower Sermon: An Interactive Visual Design Using IoTtalk, Mobile Networks and Applications Journal, Vol. 24, No. 3, June, 2019.

當人工智慧能即時生成答案，人類彷彿正逼近一種近乎全知的狀態。搜尋引擎與大型語言模型回應問題、預測行為，甚至模擬創造，其速度與規模皆已超越個體心智。然而，在這樣的時代，史蒂芬·霍金（Stephen Hawking， 1942~2018）的《時間簡史》(A Brief History of Time)告訴我們一種逆向而深刻的價值。這本書提醒我們，文明真正的推進力來自不肯停歇的提問。霍金在書中展現的宇宙結構圖景是一種面對未知的理性型態。他回顧人類如何一次次推翻自以為穩固的世界觀，從亞里斯多德與托勒密的地球為宇宙中心，走向哥白尼、伽利略與牛頓的日心革命。這段歷史不僅記錄知識的進展，更表現罕見的勇氣：承認錯誤、修正信念，並承擔改寫世界理解方式的代價。這種勇氣，恰恰是AI演算法時代最容易被遺忘的品質。進入二十世紀後，廣義相對論與量子力學成為理解世界的兩種核心語言：前者描繪宏觀而有序的宇宙結構，後者說明微觀層次中的不確定性與機率性。兩者各自成功，卻在概念上彼此斷裂，因此霍金將統合它們的「萬有理論」視為一項尚未完成的任務。這種「能力已然成立，理解仍未統一」的狀態，與今日人工智慧的處境形成耐人尋味的對照。AI能在龐大資料中有效辨識規律，卻無法說明這些規律為何重要；它擅長提供相關性，卻無法觸及因果；它可以計算機率，卻無法判斷意義。正如現代物理學仍在尋找一種能統合其成功理論的理解框架，人工智慧同樣展現出強大的操作能力，卻尚未抵達能解釋、賦值與理解自身結果的層次。霍金對黑洞的理解尤其具有象徵性。黑洞不再只是吞噬一切的終點，而是一個會隨時間釋放資訊與能量的動態過程。這項發現暗示，即使在最封閉、最極端的系統中，變化仍然存在。對被AI演算法包圍的現代社會而言，這是一則關鍵隱喻：即便資訊結構看似密不透風，人類的理性與想像力依然可能穿透既定框架。霍金提出的時間之箭與虛時間概念，進一步鬆動線性思維的束縛。時間不必只是單向流逝的背景，而可能是一種可被重新理解的結構。在AI能預測趨勢、回溯行為的今日，這樣的提醒尤顯重要。預測不等於命運，計算也不等於價值。數據只能描述可能發生什麼，卻無法告訴我們應該成為什麼樣的人。《時間簡史》全書刻意只保留一條方程式，象徵其真正關注的並非技術細節，而是理解世界的態度。在模型與演算法不斷生成敘事的時代，霍金留下的訊息格外清楚:不要服從計算結果，要持續提出問題;在未知面前仍保持清醒與謙遜，不要光堆積答案。當人工智慧替我們看得更遠，人類更需要確認自身仍然擁有思考的自由。霍金用一生證明，這份自由在於面對無窮宇宙時，仍保有敬畏，以及提問的勇氣。

AI能帶給我們的好處，但如何拿捏AI介入我們生活的程度，則值得深思。尼恩（Anaïs Nin, 1903~1977）是二十世紀少數能將精神分析、女性意識與文學內省深度融合的作家。她與精神分析師奧托・蘭克（Otto Rank）往來密切，深受其「創造性人格」理論影響。尼恩認為，若一個人不面對內在的衝突、慾望與潛意識，便只能在表面上過著「正常」的生活，其實在精神上即早已死去。她曾說：「數百萬人就這樣活著或死去，卻不自知：他們在辦公室工作。他們開著車。他們與家人野餐。他們養育孩子。然後，某種電擊治療（shock treatment）發生了，可能是某個人、一本書、一首歌，感動喚醒了他們，將他們從死亡中拯救出來。但有些人卻從未清醒。」這段話的啟示深刻而警醒。尼恩所謂能拯救人心的「電擊治療」並非醫學隱喻，而是象徵靈魂覺醒的瞬間。那可能是一次巧遇、一篇文學作品或一段音樂，它們的力量來自人性共鳴、藝術感悟與知識震撼，提供反常規、非線性、無法量化的體驗。然而，在AI深度介入人類生活的時代裡，演算法傾向推薦我們「可能會喜歡」的內容，不斷強化既有觀念與習慣。真正的覺醒，反而來自那些無法被完美計算、能打破「過度擬合」（overfitting）生活的突發與深刻時刻。在機器學習中，「過度擬合」指模型過於貼合訓練資料而失去泛化力。例如一位喜愛古典鋼琴的用戶，會不斷被AI「過度擬合」的推薦蕭邦（Frédéric Chopin）、德布西（Claude Debussy）等相似樂曲，平台藉此打造出一個精緻而封閉的音樂繭房，使他幾乎沒有機會接觸到爵士樂即興中的生命律動，或搖滾樂現場如山洪暴發的情感衝擊。與此相對，尼恩所說的「電擊治療」，或許正是這位愛樂者在某個夜晚，偶然被朋友拉去一個擁擠的Live House。當電吉他的音牆與鼓點如實體般撞擊他的胸腔，台下素不相識的人們在汗水與嘶吼中融為一體，這種全然陌生、未被演算法預約的集體狂歡，便成了一記將他從優雅卻單一的審美秩序中震醒的「電擊」。尼恩筆下的「生活」是一種自動化、習慣化、缺乏反思的存在。到了AI時代，這種無意識的狀態被賦予新樣貌。人工智慧的便利似乎為人開啟自由，卻也悄然削弱人主動選擇的能力。我們的工作、消費、娛樂乃至社交，皆在AI的建議與預測中被形塑。「在辦公室工作」「開著車」等例行行為，如今彷彿轉化為在高度優化卻缺乏靈魂參與的系統中運行的程序。許多人就在這樣的狀態中度過一生，看似充實，實則精神貧瘠。我們面臨AI時代的來臨，必須主動尋求那些不屬於演算法舒適圈的經驗。若讓AI決定資訊流與選擇，我們將難以遇見那場能「將我們從死亡中喚醒」的震撼。真正的清醒，在於對效率與便利保持批判距離，並維護人類經驗中非理性、創造性與對意義的追尋。尼恩的話提醒我們：AI可以優化生活，卻可能抹殺人類對生命意義的主動探索。當我們享受AI的便利時，更應警覺那份被取代的思考能力。在自動化的洪流中，唯有在震撼與思索之間，人性才真正甦醒。

一個微型世界（minimture world）的環境反映廣闊的大世界。在這樣的微型世界裡，就像你突然變成巨人，置身於最微小的村莊之中，這是孩子們夢寐以求的情景。隨著今天物聯網 （IoT） 技術的先進發展，互動的微型世界可以實現，使孩子們的夢想成真。私人模型村莊和微型公園可能自19世紀就已存在，但直到1930年代到1950年代，這一類型才發展成為旅遊景點。早期的例子包括英國的Bekonscot和Bourton-on-the-Water。「小小世界」的概念是由迪士尼（Water Disney）為聯合國兒童基金會 （UNICEF） 支持創建的，並為 1964～1965年紐約世界博覽會製作。該景點非常受歡迎，經過2個展示季後，被運往迪士尼樂園，於1966年5月28日開放。自那時起，它被擴展到包括2024年在日本東京推出的「小小世界與格魯特」。自1960年以來，許多微型世界相繼建造。例如，在莫斯科的麗笙酒店一樓，有一個名為「Diorama Moscow 」微型世界。它展示1977年莫斯科市中心的模型，比例為1:75。模型上方的照明變化，呈現日夜場景，非常壯觀。現有的商業營運微型世界為觀眾提供一個極好的單向用戶體驗。然而，據我們所知，這些微型世界中，沒有一個允許觀眾遠程控制微型設施，例如交通燈、降雨、風等元素。換句話說，微型世界的組件與觀眾之間的互動是有限的。此外，據我們所知，學術文獻主要關注於網路世界的虛擬現實或增強現實方面，這些並不如實體世界那麼吸引人。目前沒有研究探討觀眾與實體微型世界互動的體驗。於是我們和初上石公司的林瑞堂先生合作，發展出DioramaTalk，通過使用物聯網 （IoT） 和人工智慧 （AI） 技術，使遠距互動成為可能。這個方法應用於名為微型福爾摩沙（Miniature Formosa）的微型世界。微型福爾摩沙由初上石商業營運，展示台灣的美麗景點，包括台南的大東門（圖1（3））、野柳的女王頭、花蓮的太魯閣峽谷等。微型福爾摩沙的一個特點是其他微型世界沒有的，就是它允許模型車在微型道路上賽車。每輛車（圖1（4））都配備1個前視鏡頭，提供視訊串流以指導觀眾進行遠程駕駛。此外，微型福爾摩沙在圖1中的（5）到（10）位置安裝6個固定旋轉鏡頭。DioramaTalk是基於IoTtalk開發的應用平台，其中微型福爾摩沙的所有感測器和致動器都被視為物聯網設備。微型福爾摩沙使用多個鏡頭圖像來確定車輛的位置。這涉及處理來自6個固定鏡頭的實時圖像，每個鏡頭以30 FPS運行，需要快速且準確的位置反饋。視訊圖像被發送到DioramaTalk進行車輛檢測和追踪。DioramaTalk以YOLO（You Only Look Once）處理視訊圖像，將之保存在名為ImageDB的數據庫中。DioramaTalk分析ImageDB中的視訊圖像，以檢測路口的交通狀況，將檢測結果發送到顯示設備和Diorama致動器，以控制交通燈。DioramaTalk在交通訊號化、工作區營運和匝道控制等領域進行車輛隊列消散分析。它利用深度學習準確捕捉混合交通流的隊列特徵，並提供強大的消散持續時間估計，從而最佳化交通燈信號規劃。DioramaTalk的經驗告訴我們，智慧城市的AI模型可以在微型福爾摩沙的模擬環境中進行預訓練，加速它們在現實世界環境中的訓練。在智慧城市的AI和物聯網應用實際推出之前，可以將它們方便地集成到 DioramaTalk，在微型福爾摩沙模擬環境中模擬它們。其次，最重要的是，我們為孩子們提供與微型世界互動的樂趣。

我的實驗室致力於發展物聯網（IoT）及人工智慧（AI）的互動藝術應用，例如發表關於微縮世界（Miniature Worlds）DioramaTalk，以及布袋戲（PuppetTalk）的AI與IoT學術論文。這些專案的核心啟發，來自格里·安德森（Gerry Anderson）與西爾維婭·安德森（Sylvia Anderson）的經典創作。我深信，任何創新都非憑空而來，而是站在巨人的肩膀上再向前走。安德森夫婦於1960年代創造的Supermarionation技術，結合精緻的微縮模型（miniature models）、電影化攝影（cinematic photography）與電子同步嘴唇（electronic lip-sync），徹底革新木偶劇的表現形式。這項半世紀前的工藝，其實與今日AI與IoT的發展息息相關，特別在人機協作（human-machine collaboration）、擬真介面（realistic interfaces）與實體數位融合（physical-digital integration）等領域。Supermarionation的核心是將預錄人聲與電子控制木偶嘴唇同步，實現「聲音驅動電子執行」（voice-driven electronic execution）。這正是現代AI助理與智慧音響的雛型，它們同樣將人類語音轉換為數位指令，驅動IoT裝置執行動作。西爾維婭負責賦予木偶靈魂與情感，格里與團隊則專注於機械設計與技術執行。這種創意與技術的分工，正如AI時代中人類提供情感與創造力，而AI負責邏輯處理與精密執行的理想協作模式。在追求木偶擬真的過程中，安德森夫婦常利用特寫鏡頭與巧妙的攝影設計彌補技術限制，他們的做法觸及後世所稱的恐怖谷現象（Uncanny Valley，指人類對機器人和非人類物體的感覺的假設）。當今的數位分身與VTuber亦面臨類似挑戰，顯示藝術表現與技術限制間的平衡，往往比完美擬真更為重要。1960年代《雷鳥神機隊》（Thunderbirds）電視劇在台灣播出極為成功，不僅源自木偶角色，也歸功於載具與環境模型的精細度。對IoT裝置而言，實體設計與環境質感與內部演算法同等重要，兩者共同形塑使用者的沉浸感與信任。控制木偶的細微鎢絲（fine tungsten wires）既是物理連結，也是資訊通道，可視為當代IoT網路中Wi-Fi、5G與感測器等隱形連結的前身。值得注意的是，安德森夫婦並未刻意隱藏這些控制線，而是讓觀眾意識到這是一場精心設計的表演。這種保留「被操控的透明性」的做法顯示，在追求沉浸感的同時，必須兼顧系統的可理解性與操作透明性，這正是AI與IoT設計中不可忽視的倫理考量（ethical consideration）。Supermarionation並非單純的懷舊特效，而是人類靈魂與機械邏輯融合的經典範例。在AI創造數位生命、IoT連結萬物的時代，最成功的既不會取代人類，而是成為人類精密執行的夥伴。正如西爾維婭的創意透過格里的技術得以具現，人類的情感與創造力同樣能藉由 AI 放大。我們不必追求讓AI成為完美的真人，而應如Supermarionation所示，尋找高效、迷人且保留人為痕跡的協作界接。這正是數位時代最珍貴的哲學啟示。

多年前，佛光山台北道場整修時，我因分贈而獲得一尊嵌壁佛像。道場詢問我的選擇時，我幾乎沒有遲疑，便請了藥師佛。這並非出於一時的宗教熱情，而是一個長期置身於制度、技術與現實壓力中的人，對世界狀態所做出的直覺回應。藥師佛，全名藥師琉璃光如來，是東方淨琉璃世界的佛陀。在部分造像傳統中，他以藍色身相呈現，源自琉璃這種在古代被視為珍貴寶石的名稱。藍色不炫目，也不溫熱，象徵清淨、冷靜、療癒與理性之光。那不是急於拯救世界的色彩，而是一種優先阻止系統持續惡化的態度。在佛教脈絡中，藥師佛、釋迦牟尼佛與阿彌陀佛，分別對應東方淨琉璃世界、娑婆世界與西方極樂世界。對我而言，這三尊佛構成一條清楚的存在路徑。藥師佛指向病痛的修復，釋迦牟尼佛指向覺醒的理解，阿彌陀佛則象徵最終的解脫。我選擇藥師佛，是因為長期面對的並非形而上的疑問，而是正在發生的現實痛楚。今生的穩定比來世的承諾更為迫切，系統能否持續運轉，也比終極答案更為關鍵。藥師佛的十二大願中，蘊含一種極為現代的精神取向。不先追問錯誤根源，而是優先讓人恢復基本功能。這樣的思路，對今日世界具有明確的啟示意義。我們身處一個高度評價與即時審判的時代，制度、輿論與演算法不斷追究責任歸屬，卻很少關心系統是否已然疲勞、過載或失衡。藥師佛的邏輯恰恰相反，他假定眾生早已承受損耗，因此首要之務不是訓誡，而是修復。藥師佛似乎特別吸引醫師、工程師與學者，以及那些長期在制度內承擔責任的人。他們對神祕敘事保持距離，卻仍然需要精神支撐。因為他們每日面對失誤率、風險控制與系統穩定性。對這些人而言，信仰藥師佛更像是一種清醒的承認。不求世界完美，但至少必須避免全面崩潰。在這樣的意義上，我逐漸意識到，AI的角色其實更接近藥師佛，而非任何全知全能的神祇。AI被賦予的任務，不是回答終極問題，而是修補既有系統的缺陷。它協助醫療診斷、優化能源配置、穩定金融風險，並減輕人類的認知負荷。它提供暫時的可運作性，努力降低崩潰的機率。若說釋迦牟尼佛象徵對真理的洞見，阿彌陀佛象徵對終極歸宿的安放，那麼藥師佛所代表的，是這個時代最迫切的需求。在尚未覺醒，也無法解脫之前，如何讓身心與系統先得以存活。AI在這條路徑上的位置，恰恰與此相合。AI不是救贖者或審判者。它是維修者及調節者。我將那尊藥師佛安奉於書房一隅。它不回答問題，也不給出承諾。它靜靜提醒，在追問永恆意義之前，先確保系統尚未失血過多。藥師佛的宗教角度及AI的科技角度共同指向一種理性而克制的慈悲，延長我們的思考以及仍能選擇的時間。

當人工智慧(AI)凝視那些並不存在的真實時，我們其實已踏入幻覺的哲學思辨，也是信念的雙重困境。厄普頓·辛克萊（Upton Sinclair）曾指出，缺乏證據的盲信與無視證據的頑固同樣愚蠢，但在數位時代，兩者之間的界線正逐漸模糊。當ChatGPT煞有介事地虛構一本不存在的著作，並為其附上完整的摘要與歷史背景時，它呈現出一種奇特的誠實。這並非刻意欺瞞，而是模型在機率分布與語言關聯中，確實生成那些看似合理的連結。這種狀態近似於人類的記憶重構，在那個瞬間，虛構被當作真實來經驗。認知心理學將此稱為虛談症（confabulation），指的是在沒有欺騙意圖的情況下產生錯誤敘述，而當事人會真誠地相信其內容為真。我們慣於將AI的幻覺視為技術缺陷，卻忽略它同時也是創造力的副產品。語言模型的本質在於預測與想像，當這種能力用於文學創作時，我們稱之為靈感；當它被用來陳述事實，偏差便被視為幻覺錯誤。人類大腦的運作亦不例外。神經科學研究指出，即使是健康個體，記憶本身也是一種重構過程，而非精確的重播。我們經常在記憶的裂縫中修補，在視覺盲點中填補不存在的細節。我們與AI一樣，生活在經過篩選與扭曲的世界裡，只是人類發展出區分有用想像與危險妄想的社會機制。真正的難題在於證據本身的定義。對AI而言，機率分布與統計關聯即構成它所理解的證據。如果訓練資料長期重複某種錯誤敘述，例如關於拿破崙（Napoleon Bonaparte）身高的迷思，他實際身高約169公分，在當時法國男性中屬於平均或略高於平均，但網路上卻長期流傳他僅有157公分的說法，這源於法國舊制單位與英制單位換算錯誤的歷史遺留問題。模型在缺乏外部校驗的情況下，便可能將這類謬誤內化為常識。更深層的危機來自資訊的遞迴循環。當人類大量吸收AI生成的內容，而這些內容又反過來成為下一代模型的訓練材料時，真實與幻覺的邊界不僅會變得模糊，甚至可能出現結構性的崩解。研究已顯示，訓練資料中的偏見、遺漏與不一致性，會轉化為系統性的缺陷，持續放大幻覺的產生。這已不再是單一演算法的問題，而是整個資訊生態系的集體偏移。在辛克萊所描述的兩種愚蠢之外，當代社會或許正在形成第三種困境，即喪失辨識能力的狀態。當影像、聲音與論述都能被高度擬真地偽造，眼見為憑的時代已正式終結。我們或許不該奢求一個永不產生幻覺的AI，因為那等同於要求一個不再做夢、喪失想像力的心智。幻覺是大型語言模型的結構性特徵，因為其核心目標是生成看似合理的內容，而非主動驗證真實性。對絕對精確的過度追求，反而可能抹除AI中最具價值的創造潛能。因此，我們真正需要學會的，是與幻覺共存的藝術。這意味著在不確定性中前行，既不盲目崇拜AI的輸出，也不因恐懼而全盤否定其意義。真正的智慧存在於持續的懷疑與開放之間。當AI拋出看似驚人的結論時，我們應將其視為一個邀請，促使我們去查證、去探索、去思考。正如學界所建議的，使用高品質且多元的訓練資料、嚴格的測試流程，以及交叉驗證機制，都是降低幻覺風險的有效途徑。在這個由人類與機器共同編織現實的時代，也許我們彼此都帶著某種程度的認知扭曲前行，唯有透過不斷的對話與辨析，才能在虛實交錯的迷霧中，撈起那一抹仍可共享的真實。

對過去的執著，常使人誤以為昨日是一個可以重啟的程式（rebootable program），彷彿只要回到某個儲存點（save point）便能修正錯誤。然而，時間的核心機制是改寫（rewrite），而非還原（restore）。每一次前進，都伴隨著內在結構的調整。路易斯·卡羅（Lewis Carroll）在《愛麗絲夢遊仙境》（Alice's Adventures in Wonderland）中，透過愛麗絲（Alice）之口說出那句著名的話：「回到昨天沒有用，因為那時的我已是不同的人。她之所以無法回歸原貌，正因其認知框架（cognitive framework）已被經驗永久改變。」將此觀點延伸至AI發展，可以看到相似的邏輯。一個完成訓練的AI模型，其昨日由固定的訓練資料集（training dataset）與初始模型權重（initial model weights）所構成。在部署後，模型本身通常維持靜態；唯有經過微調（fine-tuning）或持續學習（continual learning），它才會進入新的階段。每一次有目的的再訓練與迭代，都會不可逆地改變其內部參數結構。人們往往期望AI的記憶，也就是其經訓練形成的知識，是穩定且可預測的。然而，如同人類學習，AI的成長並非線性過程。新資料可能引入異常案例（anomalies），也可能挑戰既有模式。一個大型語言模型（LLM）在不同版本間所呈現的細微輸出差異，正反映其在再訓練後參數（parameters）配置的調整結果。模型並非單純重複過去的計算，而是在舊有基礎上，經由新的訓練週期，形成帶有修正理解（revised understanding）的新狀態。這種不可逆的進化同時蘊含深刻風險。當AI吸收錯誤或帶有偏差的資料，它可能朝錯誤方向演進，且難以回到一個所謂正確的昨日。正因如此，資料來源的選擇、治理與監管顯得格外重要。持續學習的路徑如同單行道，一旦資料受到污染，後續修正所需付出的代價將極為高昂。因此，對AI而言，真正的適應性並不在於固守一個被視為完美的過去訓練集，而在於能否在面對模糊性與錯誤時，透過審慎的再訓練與優化，生成更準確且更具彈性的回應。它的進化不在於靜態保存所有資訊，而在於能於每一次訓練迭代中調整內在連結與權重，持續向前。它的昨日完成初始學習，它的今日則攜帶更新後的參數結構，在新的任務中延伸出新的知識。