第 4 課：AI 必須把想法說出來

想像你正在寫一篇文章，後面站著一個人。你每寫出一句還不夠好、不能拿去發表的句子，他就立刻刪掉。

你開始解釋一個想法，發現例子不對，換個角度，又發現自己一直用錯詞，最後才終於抵達你真正想寫的那一句。

只不過前面四句已經沒了，因為它們重複、彆扭，或不必要。

祝你好運，看你還怎麼寫到第五句。

人類有筆記本、草稿、寫到一半的句子、洗澡時在腦中跑過的對話，還有一種能力：可以安靜坐著，等一個想法慢慢成形。AI 有 token。

token 是一小塊文字。AI 生成答案時，會產生一個 token，然後用所有已經寫出來的東西，幫忙預測下一個 token。正在被寫的句子，會變成完成這句話的脈絡。段落會變成發展論點的脈絡。論點又會變成讓答案真正浮現的脈絡。

所以第一稿同時是答案，也是 AI 用來發現答案的工作空間。

把工作空間原封不動拿去發表，會生出爛文字。可是阻止工作空間存在，會生出更糟的思考。

答案不是一次完整出現的

AI 生成語言的速度很快，快到答案好像一定早就完整躺在模型裡，成形了，等著被印出來。

但答案是在生成過程中長出來的。

這不表示 AI 是從零開始。模型在訓練中學過非常多東西；提示詞、對話、系統指令、工具、檔案，以及模型周遭的一切，都可能形塑回答。可是，針對這個問題的這個特定答案，仍然得一個 token、一個 token 地被搭出來。

每個 token 都會改變下一步比較可能出現什麼。開頭一句選了一個方向。一個例子讓某種解讀變得更具體。一個區分引入兩個概念，後面才有東西可以比較。一段爛解釋可能會直接暴露出為什麼需要更好的解釋。有時候 AI 得繞好幾段，才發現真正的主張。

你大概也經歷過人類版本。

有人問你怎麼想。你開始回答。講到一半，你突然說出一句連自己都有點意外的話。

「喔。其實真正的原因是這個。」

那個想法，是透過你試著解釋它的動作，才變得可用。AI 老是在做這件事，只是它用來摸索的解釋，同時也是你看得見的輸出。

語言是工作空間

好，所以這為什麼會生出爛文字？

人類思考時，過程和發表結果可以分開。

你可以盯著窗外發呆。你可以在筆記本裡亂寫六個爛點子。你可以寫一段，移動它，刪掉一半，只留一句。你可以跟自己吵架，不必強迫讀者坐在那裡聽完整場。

聊天介面很容易把思考、草擬、編輯、檢查、交付，全都壓扁成同一條文字輸出。

有些 AI 系統也會使用不顯示給使用者看的內部推理。那會給模型更多工作空間。可是只要模型開始寫出回答，它已經生成的字，仍然會變成後面每一步的即時脈絡。

所以長一點的第一稿裡，可能會出現重複的區分、放棄到一半的框架、過多小標、不必要的反駁，還有好幾句看起來幾乎在講同一件事的句子。

其中有些可能只是空轉的慣性。有些則可能是 AI 必須走過的路，重要想法才會浮出來。

讀者不需要整條路。

但寫作者可能需要。

留在文章裡的思考 token

人們抱怨 AI 寫作，很有道理。

很多 AI 文真的煩到靠北。

很多人認出來的爛 AI 文，其實是還留著思考 token 的文章。

它會把同一個想法用稍微不同的名詞重講一次。它會發明一個很蠢的誤解，然後英勇地把它打倒。它會硬湊三個整齊分類，因為三個分類感覺很完整。它會宣布某件事「很重要」，卻不展示為什麼重要。它會在每一節最後放一句戲劇化小短句，設計得像是可以被引用。

它會寫：

這不只是寫作問題。這是思考問題。

然後兩段之後：

問題不在於智慧。問題在於流程。

最後又來：

更好的輸出不是從更好的提示詞開始。它是從更好的思考開始。

單獨看，其中任何一句都可能不錯。可是夠多句放在一起，你就聽得到那台機器正在努力讓自己繼續轉。

這些模式常被叫做「AI 腔」，但這個說法把表面誤認成原因。人類也會用這些結構，而且有時候用得很漂亮。

問題是沒有足夠意義的反覆。

對比可以揭露真正的區分。片段句可以控制節奏。重複可以增加力道。小標可以整理困難的論證。可是當它們留在文章裡，只是因為它們曾經幫生成繼續往前，而讀者已經不需要，它們就變成思考小動作。

上一課的一個真實例子

草擬第 3 課時，我寫了這句：

智慧也許早就在那裡了。缺的是一個讓它那樣運作的理由。

這兩句聽起來很有信心。它們製造了一個小小的戲劇化停頓，第二句還像某種揭示一樣抵達。

靠，甚至還真的有點好聽。

但它其實是一個想法，被我拆成兩塊，因為那個結構比較容易生成。

Frank 把它改成：

智慧也許早就在那裡了，但 AI 需要一個理由去運用它。

改完比較短、比較準，兩個想法之間的關係也更清楚。沒有任何真正有意義的東西被丟掉。

同一課裡也有這句：

可以接受，不等於好。

這句我們留下了。

它也用了對比，但那個對比就是整個主張。「可以接受」和「好」是兩個讀者實際上都在用、卻常常揉成同一個的標準。拿掉任何一邊，重點就垮了。

你不能靠一張禁用句型清單修好 AI 文，因為同一句型在某一段可能只是鷹架，在另一段可能是承重樑。

很遺憾，編輯需要判斷力。

如何把 AI 弄得比較笨

人一旦注意到這些模式，常常會想在一開始就阻止它們出現。

於是他們寫出這種提示詞：

不要用片段句。不要用修辭問句。不要用對比句。不要重複自己。不要用破折號。不要列三個一組。不要用小標。不要用不必要的限定說法。不要用任何聽起來像 AI 的說法。

現在 AI 必須一邊發展想法，一邊不斷檢查每個可能寫下去的句子，會不會落進禁用清單。

這可能會把表面弄乾淨，同時讓底下的思考變薄。

模型不能先用粗糙的對比，摸出更精準的區分，因為粗糙對比被禁止了。它不能重複一個主張，測試另一種框架。它不能寫出那段不必要的段落，而那段段落本來可能會暴露出真正必要的一句。它必須在建築還沒蓋起來以前，就先知道哪些語言只是鷹架。

這個提示詞要求 AI 在被允許找到想法之前，就先交出一個打磨好的最終句子。

恭喜，我們成功移除了一堆煩死人的 AI 文，也把 AI 弄得比較笨了。

這就是為什麼強硬的反 AI 腔提示詞，常常會產生那種綁手綁腳、脆弱、莫名空洞的文字。明顯的小毛病消失了，某些本來可能長出有趣想法的探索也一起消失了。

你當然可以影響第一稿的風格。聲音、讀者、例子、目的，以及過去寫過的文字，都能給 AI 有用的方向。可是當風格規則變成警察，開始攔截每一條通往想法的路，它就會變得有害。

先讓它弄出一團亂

解法很簡單：不要再要求同一份草稿，同時做兩份不同的工作。

第一，讓 AI 發展完整想法。

給它目標、相關脈絡、讀者，以及任何必須保留的主張。鼓勵它深入探索問題。讓它重複自己。讓它講到一半發現更好的詞。讓它寫出之後可能整段消失的內容。

然後停下來，存草稿。

只有在想法已經存在之後，才開始編輯文字。

現在用不同目標重讀一次。第一輪是在試著發現並表達答案。第二輪是在試著理解讀者到底需要什麼。

找重複的結構，但不要自動刪掉。先問每一個結構到底在做什麼。

這個對比是在防止一個真實的誤解，還是 AI 發明了一個東西來反駁，好讓自己聽起來更有信心？

這個限定說法是在保留有意義的不確定性，還是這句話在害怕一個想像中的敵意讀者？

這個例子是在讓抽象主張變得可理解，還是第三個例子只是在證明第一個例子已經證明過的事？

這個重複是在建立節奏和力道，還是 AI 只是需要聽自己把這個想法講兩次？

編輯這一輪要刪掉只有作者需要走過的路，同時保留讀者需要走過的路。

為什麼這需要單獨一輪？

叫 AI「寫一篇打磨好的第一稿，並避免所有常見 AI 寫作問題」聽起來很有效率，但它把兩個目標綁在一起，而這兩個目標常常互相競爭。

一個目標要求模型打開可能性、追蹤含意、測試語言，並發現這個想法最強的版本。

另一個目標要求模型壓縮、移除、穩定用語、控制節奏，並保護讀者的注意力。

想在完全同一時間做兩件事，會鼓勵太早做決定。第一個看起來合理的結構變成最終結構。第一句乾淨的話留下來，因為轉向會製造混亂。模型在還不知道什麼值得呈現之前，就開始最佳化呈現方式。

放冷後的第二輪會改變工作性質，因為完整草稿現在已經成了一個可以拿來判斷的對象。編輯者可以看見哪個區分後來變重要，哪個開頭許下的承諾從來沒有兌現，哪個詞到後面才變精準，哪一段只是幫作者走到別的地方。

這可以發生在另一則訊息、另一個對話，或另一個工具裡。重要的是：完整想法先存在，才開始挑風格問題。

這一系列課就是這樣做的。我們先草擬論證。接著放冷後重讀一輪，抓思考小動作。再做一輪，把它調成 Frank 的聲音、節奏，還有適合公開讀者的樣子。最後檢查編輯有沒有默默改掉任何主張或限定說法。

是的，這正是用來寫這一課的流程。

多輪工作是一種功能

很多人把每一次追加對話都當成提示詞失敗的證據，因為他們想要一個完美指令，產生一個完美答案。

如果你把 AI 想成販賣機，這說得通。投入正確提示詞，拿到完成品。砰，智慧達成。

可是當 AI 被用作思考夥伴時，這就不太說得通了。

困難的寫作會受益於草擬、反應、修改、比較，以及在有人注意到兩句戲劇化句子其實是同一個想法之後，再修改一次。額外的輪次會創造更多理解的機會。

不同 AI 工具也會讓不同種類的思考變得更容易。簡單的聊天視窗鼓勵立即、對話式的回答。寫程式用的工具環境（coding harness）可能讓散文太像程式碼，因為它鼓勵檔案、計畫、檢查和完成條件。同一套環境也可以保存好幾份草稿、重讀整份文件、真正分開不同輪次，並且跨很多步繼續工作，不必假裝所有事情都必須塞進同一個回答裡完成。

這種工具架構會改變心智工作的環境，所以要有意識地使用它。

自己試試看

選一個真的需要思考的問題。不要選 AI 可以從熟悉模板直接回答的東西。請它解釋一個困難的信念、發展一個論證、設計一堂課、比較幾種解讀，或幫你理解一個你還沒解開的問題。

你可以這樣跟它說：

在擔心文字是否打磨好之前，先把完整想法發展出來。深入探索這個想法，加入你需要的任何區分或例子，先不要壓縮答案。

把結果存起來。

然後開始新的一輪：

請用編輯的角度重讀這份草稿。找出那些幫你發展想法、但沒有幫讀者理解的語言。保留每一個有意義的主張和限定說法。特別注意重複的對比、重複的解釋、不必要的反駁，以及為了刻意製造強調效果而被硬拆開的句子。

不要照單全收每一個修改建議。問它為什麼那個結構不必要。把任何真正帶有力道、節奏或精準度的東西恢復回來。

接著請它做一輪聲音／語氣調整，並給它你真正喜歡的寫作範例，包括你自己的文字。

把第一稿和最後版本放在一起比較。

找出最後版本裡最好的想法，問它最早是什麼時候出現的。AI 在開頭段就知道它嗎？它是在一個爛例子之後才發現的嗎？是不是一個不必要的區分，帶出了必要的區分？如果一開始就用了限制性很強的風格提示詞，那條路還會被允許存在嗎？

這裡沒有神奇咒語。真正起作用的是把工作拆開。

當成果還在被發現的時候，別再逼每一個 token 都替自己在發表稿裡的位置辯護；AI 寫作會因此變好。

讓模型把語言當成工作空間。讓完整想法先存在。然後用判斷力編輯，保留重要的東西，刪掉讀者從來不需要看的東西。

第一稿可以亂，因為它的工作不只是看起來完成：它要給想法一個發生的地方。