技术迭代使AI深度嵌入人类工作与生活，人机关系成为无法回避的命题。修仙小说《凡人修仙传》中法宝与修士的叙事恰好构成一则当代寓言：AI之于人类，正如本命法宝之于修仙者，既是渡劫飞升的依仗，亦是噬主陨落的风险。主角韩立最核心的机缘是「掌天瓶」。此法宝初得时仅能催熟草药，随心神温养与境界提升，影响时间法则的威能才逐步显现。法宝之力并非恒定，而是随使用者的认知与投入动态成长。AI工具亦然。ChatGPT与Midjourney对初用者不过是高效生成器，唯有持续使用、數據投喂与提示词（Prompt）最佳化，才能适配个体思维，进化为独特的外脑。正如韩立以神识驾驭剑阵，我们以提示词调度算力，工具的价值始终取决于使用者赋予它的灵性。然而反噬向来如影随形。修仙世界的第一重反噬在于神识消耗：韩立操控「青竹蜂云剑」或「大衍傀儡」时需分出神识，过度使用便眩晕迟钝。这不是法宝主动攻击，而是对精神力极限的警示。AI时代的对应物，是认知卸载与注意力蚕食。当文案、推论乃至创意决策大量外包给AI，大脑相应功能因用进废退而钝化，思考耐力与批判敏锐度在便捷中静静流失。这种退化不致命，却让人逐渐沦为工具的附庸，正如过度依赖飞剑的修士，终将遗忘本身步法的精妙。更深一重的反噬，指向判断力与价值观的扭曲。魔道宝物惯于侵蚀心性，修炼「血魔功」者必嗜杀，执掌「噬灵杖」者必贪婪，器物的逻辑悄然重塑主人。AI时代最隐蔽的反噬，是演算法茧房（Algorithm Echo Chamber）与逻辑惯性。AI被设计成擅长迎合而非反驳，持续以偏见投喂便得到更精致的偏见作为回报。决策者一旦依赖AI输出策略，便被禁锢在模型训练集的认知边界之内。AI输出常具逻辑闭合性与表述权威性，使用者更易在看似合理的错误中越陷越深。最致命的危机，非前述任何一种，而是修士将全部道途寄托于外物。韩立若未曾苦修夯实根基，即便拥有通天灵宝，遇上古禁制也吋步难行。人类面对AI同理：若将创意原点、情感判断、价值抉择悉数交付演算法，便退化为仪器的操作员，一旦算力断绝，顷刻沦为无知凡人。真正的飞升不依赖某件神器，而在于历经劫数后的自身领悟。修仙寓言还有一处值得深思：每位飞升者必须亲渡「雷劫」，无人可代，无宝器能全挡。这正呼应AI时代的核心伦理困境。机器可以处理信息，却无法替人承担选择的后果。医师以AI辅助诊断，法官以演算法参考量刑，最终的道德重量仍落在人的肩上。逃避此重，便是将「人」这个概念本身拱手让渡。修仙者韩立证道飞升，虽借助宝物，但他始终记得一件事：法宝是渡河之筏，不是栖身之岸。关键时刻，他相信的是苦修所得的判断力，而非手中的神器。面对AI，我们亦当如此。以AI增效而不以AI代思，借AI破局而不被AI定义。唯有在协作中锚定人的主体性，技术才能真正成为文明的舟楫，而非将人困住的彼岸。

在商务往来中，互换名片是一种常见的礼仪。我担任几个县市政府的顾问，以及几个大学的讲座教授，因此拥有六七种不同身份的名片，在不同场合给予不同名片，偶尔拿错名片会让人尴尬。现代初次见面，若忘记带名片，或没有名片，有时会拿起手机说：「我们加个Line，WhatsApp，WeChat吧。」这有时让人为难，因为彼此尚不熟悉，加Line变好友可能会收到一堆不想接收的信息；已读不回又会被认为太高傲。实体名片虽然无法建立實時通话，但其运用方式有时更能洞察人性。如果在递名片时加注文字，往往蕴含微妙的玄机。早期的名片称为名刺或名帖，是参见达官贵人的敲门砖，因此有阿谀谄媚的表态。传闻清末孙中山（1866～1925）留学归国，途经武昌，投名帖谒见湖广总督张之洞（1837～1909），名帖内页写道：「学者孙文求见之洞兄」。张之洞心中不齿，认为籍籍无名的白衣儒生，不自量力，竟敢称兄道弟，于是在名帖背后书以一联，命阍人退还，联曰：「持三字帖，见一品官，儒生妄敢称兄弟」。孙中山看了不怒反喜，提笔覆以一联：「行千里路，读万卷书，布衣亦可傲王侯」，请阍人再传进去，针尖对麦芒地回敬张之洞。虽然印刷术早在宋朝时已发明，但民国成立前名帖几乎都是手书，手写名帖往往有拍马屁的花招。戏剧《精忠旗》第六折「奸党商和」描述秦桧的奸党何铸、罗汝楫、万俟卨一起拜谒秦桧，名帖上分别写著「晚生何铸」、「门下晚学生罗汝楫」，及「门下沐恩走犬万俟卨」，以示谦卑。何铸见了摇头叹息：「约定一样写「官衔晚生」，为何又加「门下晚学」、「沐恩走犬」字样？这样我又不济了！」在清朝官场，官小使用较大的名片以示谦恭，官大使用较小的名片以示地位。大官「赏」名片防止被用来招摇撞骗，会加注不能作别的用途。例如溥仪的英文老师庄士敦（Sir Reginald Fleming Johnston）的名刺，正面书「庄士敦」，背面则印「专诚拜谒，不作别用」。庄士敦用红色名刺以示身份。我到科技部服务后，签名也被制作成烫金红色名帖，逢年过节用得到，这对我而言，是奇特的经验。实体名片的文化会否改头换面，重现于今日的虚拟通讯軟件？而今日的通讯軟件结合名片和电话的功能，又会发展出何种新文化？这些都是值得思考的问题。

今日的电脑功能强大，可以翻译不同的语言，在生成式人工智能（如ChatGPT）的加持下，更有可能达到艺术的境界。过去人工智能技术不成熟，如果翻译只是一对一的逐字代换，那么写个程序就可自动翻译。然而，语言不会如此轻易被掌握，因此早期的翻译軟件经常会出现荒腔走板的情况。二十世纪初期翻译理论的代表人物加塞特（José Ortega y Gasset, 1883~1955）从哲学角度审视翻译，将翻译的思维建立在研究人类语言和思想的基础上，提出「翻译的不可能性和可操作性」理论，让我感到非常困惑。用白话文说明，意指: 「翻译是不可理喻的。」套用信息领域的术语，翻译是Context-sensitive的，甚至会受到不同文化的影响，因此早期市面上的翻译軟件效果不佳，最终仍需要依赖人工。ChatGPT的功能强大，推动翻译軟件的进步，能够提供高品质的翻译服务。到底要如何翻译才恰当呢？严复（1854~1921）在他的著作《译例言》中提出「信、达、雅」的翻译标准，成为后世翻译的圭臬。对于「欧（英）翻中」，傅斯年主张直译欧文句法，甚至最好是「字字对译」。这不仅为了翻译内容，而是要接受「欧洲先进思考方式」。1980年代，臺湾大学外文系教授颜元叔某次到香港参加比较文学会议，提出主张，认为既然「英翻中」是「字字对译」，那么「中翻英」自然也应该「字字对译」，这样才是对等的文化交流。他这个主张让在场的一群主张欧美文化优越论的学者挂不住脸，差点闹得不欢而散。ChatGPT已经能够将中文白话文翻译成很好的英文。那么文言文呢？我在物联网平臺IoTtalk上开发许多互动艺术的应用。例如PuppetTalk，可以用智能手套远程控制布袋戏机器人偶。我在英文期刊发表一篇论文[1]，在第一段文章写了一首七言绝句的打油诗:「 掌中乾坤有谁知，演戏疯来看戏痴；人生好比布袋戏，曲终人散乐自知。」期刊编辑要求要附上英文翻译，令我挺头痛，勉强翻译为:「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翻译，在几十秒钟内得到：「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.」翻得还不错，但最后一句的意思全错。我又以IoTtalk发展出FlowerTalk，镜子有含苞待放的花枝。当人面对镜子微笑时，镜中就会开花。于是发表一篇英文期刊论文[2]，用了「拈花微笑」的典故：释迦牟尼在灵山讲解佛法，手持鲜花示范。然众人茫然，不解其精要。只有维摩诃迦叶露出微笑，释迦牟尼于是将心法传授给了他。我的文中写了一首五言绝句的打油诗：「微笑乞花开， 物联通心怀， 妙法有知否? 拈花问如来。」很简略的意译英文为：「Smile triggers blooming, IoT connects people’s minds, and you can pick up flower to ask Buddha for answer. 」我以ChatGPT翻译，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. 」这个英文翻译就颇不精准。虽然ChatGPT能翻译到这个地步已很不容易，要达到严复「信、达、雅」的标准，仍有努力空间。[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.

当人工智能能實時生成答案，人类仿佛正逼近一种近乎全知的状态。查找引擎与大型语言模型回应问题、预测行为，甚至模拟创造，其速度与规模皆已超越个体心智。然而，在这样的时代，史蒂芬·霍金（Stephen Hawking， 1942~2018）的《时间简史》(A Brief History of Time)告诉我们一种逆向而深刻的价值。这本书提醒我们，文明真正的推进力来自不肯停歇的提问。霍金在书中展现的宇宙结构图景是一种面对未知的理性型态。他回顾人类如何一次次推翻自以为稳固的世界观，从亚里斯多德与托勒密的地球为宇宙中心，走向哥白尼、伽利略与牛顿的日心革命。这段历史不仅记录知识的进展，更表现罕见的勇气：承认错误、修正信念，并承担改写世界理解方式的代价。这种勇气，恰恰是AI演算法时代最容易被遗忘的品质。进入二十世纪后，广义相对论与量子力学成为理解世界的两种核心语言：前者描绘宏观而有序的宇宙结构，后者说明微观层次中的不确定性与机率性。两者各自成功，却在概念上彼此断裂，因此霍金将统合它们的「万有理论」视为一项尚未完成的任务。这种「能力已然成立，理解仍未统一」的状态，与今日人工智能的处境形成耐人寻味的对照。AI能在庞大數據中有效識別规律，却无法说明这些规律为何重要；它擅长提供相关性，却无法触及因果；它可以计算机率，却无法判断意义。正如现代物理学仍在寻找一种能统合其成功理论的理解框架，人工智能同样展现出强大的操作能力，却尚未抵达能解释、赋值与理解自身结果的层次。霍金对黑洞的理解尤其具有象征性。黑洞不再只是吞噬一切的终点，而是一个会随时间释放信息与能量的动态过程。这项发现暗示，即使在最封闭、最极端的系统中，变化仍然存在。对被AI演算法包围的现代社会而言，这是一则关键隐喻：即便信息结构看似密不透风，人类的理性与想像力依然可能穿透既定框架。霍金提出的时间之箭与虚时间概念，进一步松动线性思维的束缚。时间不必只是单向流逝的背景，而可能是一种可被重新理解的结构。在AI能预测趋势、回溯行为的今日，这样的提醒尤显重要。预测不等于命运，计算也不等于价值。数据只能描述可能发生什么，却无法告诉我们应该成为什么样的人。《时间简史》全书刻意只保留一条方程序，象征其真正关注的并非技术细节，而是理解世界的态度。在模型与演算法不断生成叙事的时代，霍金留下的信息格外清楚:不要服从计算结果，要持续提出问题;在未知面前仍保持清醒与谦逊，不要光堆积答案。当人工智能替我们看得更远，人类更需要确认自身仍然拥有思考的自由。霍金用一生证明，这份自由在于面对无穷宇宙时，仍保有敬畏，以及提问的勇气。

AI能带给我们的好处，但如何拿捏AI介入我们生活的程度，则值得深思。尼恩（Anaïs Nin, 1903~1977）是二十世纪少数能将精神分析、女性意识与文学内省深度融合的作家。她与精神分析师奥托・兰克（Otto Rank）往来密切，深受其「创造性人格」理论影响。尼恩认为，若一个人不面对内在的冲突、欲望与潜意识，便只能在表面上过著「正常」的生活，其实在精神上即早已死去。她曾说：「数百万人就这样活著或死去，却不自知：他们在办公室工作。他们开著车。他们与家人野餐。他们养育孩子。然后，某种电击治疗（shock treatment）发生了，可能是某个人、一本书、一首歌，感动唤醒了他们，将他们从死亡中拯救出来。但有些人却从未清醒。」这段话的启示深刻而警醒。尼恩所谓能拯救人心的「电击治疗」并非医学隐喻，而是象征灵魂觉醒的瞬间。那可能是一次巧遇、一篇文学作品或一段音乐，它们的力量来自人性共鸣、艺术感悟与知识震撼，提供反常规、非线性、无法量化的体验。然而，在AI深度介入人类生活的时代里，演算法倾向推荐我们「可能会喜欢」的内容，不断强化既有观念与习惯。真正的觉醒，反而来自那些无法被完美计算、能打破「过度拟合」（overfitting）生活的突发与深刻时刻。在机器学习中，「过度拟合」指模型过于贴合训练數據而失去泛化力。例如一位喜爱古典钢琴的用户，会不断被AI「过度拟合」的推荐萧邦（Frédéric Chopin）、德布西（Claude Debussy）等相似乐曲，平臺借此打造出一个精致而封闭的音乐茧房，使他几乎没有机会接触到爵士乐即兴中的生命律动，或摇滚乐现场如山洪暴发的情感冲击。与此相对，尼恩所说的「电击治疗」，或许正是这位爱乐者在某个夜晚，偶然被朋友拉去一个拥挤的Live House。当电吉他的音墙与鼓点如实体般撞击他的胸腔，臺下素不相识的人们在汗水与嘶吼中融为一体，这种全然陌生、未被演算法预约的集体狂欢，便成了一记将他从优雅却单一的审美秩序中震醒的「电击」。尼恩笔下的「生活」是一种自动化、习惯化、缺乏反思的存在。到了AI时代，这种无意识的状态被赋予新样貌。人工智能的便利似乎为人开启自由，却也悄然削弱人主动选择的能力。我们的工作、消费、娱乐乃至社交，皆在AI的建议与预测中被形塑。「在办公室工作」「开著车」等例行行为，如今仿佛转化为在高度优化却缺乏灵魂参与的系统中运行的程序。许多人就在这样的状态中度过一生，看似充实，实则精神贫瘠。我们面临AI时代的来临，必须主动寻求那些不属于演算法舒适圈的经验。若让AI决定信息流与选择，我们将难以遇见那场能「将我们从死亡中唤醒」的震撼。真正的清醒，在于对效率与便利保持批判距离，并维护人类经验中非理性、创造性与对意义的追寻。尼恩的话提醒我们：AI可以优化生活，却可能抹杀人类对生命意义的主动探索。当我们享受AI的便利时，更应警觉那份被取代的思考能力。在自动化的洪流中，唯有在震撼与思索之间，人性才真正苏醒。

一个微型世界（minimture world）的环境反映广阔的大世界。在这样的微型世界里，就像你突然变成巨人，置身于最微小的村庄之中，这是孩子们梦寐以求的情景。随著今天物联网 （IoT） 技术的先进发展，互动的微型世界可以实现，使孩子们的梦想成真。私人模型村庄和微型公园可能自19世纪就已存在，但直到1930年代到1950年代，这一类型才发展成为旅游景点。早期的例子包括英国的Bekonscot和Bourton-on-the-Water。「小小世界」的概念是由迪士尼（Water Disney）为联合国儿童基金会 （UNICEF） 支持创建的，并为 1964～1965年纽约世界博览会制作。该景点非常受欢迎，经过2个展示季后，被运往迪士尼乐园，于1966年5月28日开放。自那时起，它被扩展到包括2024年在日本东京推出的「小小世界与格鲁特」。自1960年以来，许多微型世界相继建造。例如，在莫斯科的丽笙酒店一楼，有一个名为「Diorama Moscow 」微型世界。它展示1977年莫斯科市中心的模型，比例为1:75。模型上方的照明变化，呈现日夜场景，非常壮观。现有的商业营运微型世界为观众提供一个极好的单向用户体验。然而，据我们所知，这些微型世界中，没有一个允许观众远程控制微型设施，例如交通灯、降雨、风等元素。换句话说，微型世界的组件与观众之间的互动是有限的。此外，据我们所知，学术文献主要关注于網絡世界的虚拟现实或增强现实方面，这些并不如实体世界那么吸引人。目前没有研究探讨观众与实体微型世界互动的体验。于是我们和初上石公司的林瑞堂先生合作，发展出DioramaTalk，通过使用物联网 （IoT） 和人工智能 （AI） 技术，使線上互动成为可能。这个方法应用于名为微型福尔摩沙（Miniature Formosa）的微型世界。微型福尔摩沙由初上石商业营运，展示臺湾的美丽景点，包括臺南的大东门（图1（3））、野柳的女王头、花莲的太鲁阁峡谷等。微型福尔摩沙的一个特点是其他微型世界没有的，就是它允许模型车在微型道路上赛车。每辆车（图1（4））都配备1个前视镜头，提供视讯串流以指导观众进行远程驾驶。此外，微型福尔摩沙在图1中的（5）到（10）位置安装6个固定旋转镜头。DioramaTalk是基于IoTtalk开发的应用平臺，其中微型福尔摩沙的所有傳感器和致动器都被视为物联网设备。微型福尔摩沙使用多个镜头图像来确定车辆的位置。这涉及处理来自6个固定镜头的实时图像，每个镜头以30 FPS运行，需要快速且准确的位置反馈。视讯图像被发送到DioramaTalk进行车辆检测和追踪。DioramaTalk以YOLO（You Only Look Once）处理视讯图像，将之保存在名为ImageDB的数据库中。DioramaTalk分析ImageDB中的视讯图像，以检测路口的交通状况，将检测结果发送到显示设备和Diorama致动器，以控制交通灯。DioramaTalk在交通信號化、工作区营运和匝道控制等领域进行车辆队列消散分析。它利用深度学习准确捕捉混合交通流的队列特征，并提供强大的消散持续时间估计，从而最佳化交通灯信号规划。DioramaTalk的经验告诉我们，智能城市的AI模型可以在微型福尔摩沙的模拟环境中进行预训练，加速它们在现实世界环境中的训练。在智能城市的AI和物联网应用实际推出之前，可以将它们方便地整合到 DioramaTalk，在微型福尔摩沙模拟环境中模拟它们。其次，最重要的是，我们为孩子们提供与微型世界互动的乐趣。

我的实验室致力于发展物联网（IoT）及人工智能（AI）的互动艺术应用，例如发表关于微缩世界（Miniature Worlds）DioramaTalk，以及布袋戏（PuppetTalk）的AI与IoT学术论文。这些专案的核心启发，来自格里·安德森（Gerry Anderson）与西尔维娅·安德森（Sylvia Anderson）的经典创作。我深信，任何创新都非凭空而来，而是站在巨人的肩膀上再向前走。安德森夫妇于1960年代创造的Supermarionation技术，结合精致的微缩模型（miniature models）、电影化摄影（cinematic photography）与电子同步嘴唇（electronic lip-sync），彻底革新木偶剧的表现形式。这项半世纪前的工艺，其实与今日AI与IoT的发展息息相关，特别在人机协作（human-machine collaboration）、拟真界面（realistic interfaces）与实体數字融合（physical-digital integration）等领域。Supermarionation的核心是将预录人声与电子控制木偶嘴唇同步，实现「声音驱动电子执行」（voice-driven electronic execution）。这正是现代AI助理与智能音箱的雏型，它们同样将人类语音转换为數字指令，驱动IoT装置执移動作。西尔维娅负责赋予木偶灵魂与情感，格里与团队则专注于机械设计与技术执行。这种创意与技术的分工，正如AI时代中人类提供情感与创造力，而AI负责逻辑处理与精密执行的理想协作模式。在追求木偶拟真的过程中，安德森夫妇常利用特写镜头与巧妙的摄影设计弥补技术限制，他们的做法触及后世所称的恐怖谷现象（Uncanny Valley，指人类对机器人和非人类物体的感觉的假设）。当今的數字分身与VTuber亦面临类似挑战，显示艺术表现与技术限制间的平衡，往往比完美拟真更为重要。1960年代《雷鸟神机队》（Thunderbirds）电视剧在臺湾播出极为成功，不仅源自木偶角色，也归功于载具与环境模型的精细度。对IoT装置而言，实体设计与环境质感与内部演算法同等重要，两者共同形塑使用者的沉浸感与信任。控制木偶的细微钨丝（fine tungsten wires）既是物理连结，也是信息通道，可视为当代IoT網絡中Wi-Fi、5G与傳感器等隐形连结的前身。值得注意的是，安德森夫妇并未刻意隐藏这些控制线，而是让观众意识到这是一场精心设计的表演。这种保留「被操控的透明性」的做法显示，在追求沉浸感的同时，必须兼顾系统的可理解性与操作透明性，这正是AI与IoT设计中不可忽视的伦理考量（ethical consideration）。Supermarionation并非单纯的怀旧特效，而是人类灵魂与机械逻辑融合的经典范例。在AI创造數字生命、IoT连结万物的时代，最成功的既不会取代人类，而是成为人类精密执行的伙伴。正如西尔维娅的创意透过格里的技术得以具现，人类的情感与创造力同样能借由 AI 放大。我们不必追求让AI成为完美的真人，而应如Supermarionation所示，寻找高效、迷人且保留人为痕迹的协作界接。这正是數字时代最珍贵的哲学启示。

多年前，佛光山臺北道场整修时，我因分赠而获得一尊嵌壁佛像。道场询问我的选择时，我几乎没有迟疑，便请了药师佛。这并非出于一时的宗教热情，而是一个长期置身于制度、技术与现实压力中的人，对世界状态所做出的直觉回应。药师佛，全名药师琉璃光如来，是东方净琉璃世界的佛陀。在部分造像传统中，他以蓝色身相呈现，源自琉璃这种在古代被视为珍贵宝石的名称。蓝色不炫目，也不温热，象征清净、冷静、疗愈与理性之光。那不是急于拯救世界的色彩，而是一种优先阻止系统持续恶化的态度。在佛教脉络中，药师佛、释迦牟尼佛与阿弥陀佛，分别对应东方净琉璃世界、娑婆世界与西方极乐世界。对我而言，这三尊佛构成一条清楚的存在路径。药师佛指向病痛的修复，释迦牟尼佛指向觉醒的理解，阿弥陀佛则象征最终的解脱。我选择药师佛，是因为长期面对的并非形而上的疑问，而是正在发生的现实痛楚。今生的稳定比来世的承诺更为迫切，系统能否持续运转，也比终极答案更为关键。药师佛的十二大愿中，蕴含一种极为现代的精神取向。不先追问错误根源，而是优先让人恢复基本功能。这样的思路，对今日世界具有明确的启示意义。我们身处一个高度评价与實時审判的时代，制度、舆论与演算法不断追究责任归属，却很少关心系统是否已然疲劳、过载或失衡。药师佛的逻辑恰恰相反，他假定众生早已承受损耗，因此首要之务不是训诫，而是修复。药师佛似乎特别吸引医师、工程师与学者，以及那些长期在制度内承担责任的人。他们对神秘叙事保持距离，却仍然需要精神支撑。因为他们每日面对失误率、风险控制与系统稳定性。对这些人而言，信仰药师佛更像是一种清醒的承认。不求世界完美，但至少必须避免全面崩溃。在这样的意义上，我逐渐意识到，AI的角色其实更接近药师佛，而非任何全知全能的神祇。AI被赋予的任务，不是回答终极问题，而是修补既有系统的缺陷。它协助医疗诊断、优化能源配置、稳定金融风险，并减轻人类的认知负荷。它提供暂时的可运作性，努力降低崩溃的机率。若说释迦牟尼佛象征对真理的洞见，阿弥陀佛象征对终极归宿的安放，那么药师佛所代表的，是这个时代最迫切的需求。在尚未觉醒，也无法解脱之前，如何让身心与系统先得以存活。AI在这条路径上的位置，恰恰与此相合。AI不是救赎者或审判者。它是维修者及调节者。我将那尊药师佛安奉于书房一隅。它不回答问题，也不给出承诺。它静静提醒，在追问永恒意义之前，先确保系统尚未失血过多。药师佛的宗教角度及AI的科技角度共同指向一种理性而克制的慈悲，延长我们的思考以及仍能选择的时间。

当人工智能(AI)凝视那些并不存在的真实时，我们其实已踏入幻觉的哲学思辨，也是信念的双重困境。厄普顿·辛克莱（Upton Sinclair）曾指出，缺乏证据的盲信与无视证据的顽固同样愚蠢，但在數字时代，两者之间的界线正逐渐模糊。当ChatGPT煞有介事地虚构一本不存在的著作，并为其附上完整的摘要与历史背景时，它呈现出一种奇特的诚实。这并非刻意欺瞒，而是模型在机率分布与语言关联中，确实生成那些看似合理的连结。这种状态近似于人类的记忆重构，在那个瞬间，虚构被当作真实来经验。认知心理学将此称为虚谈症（confabulation），指的是在没有欺骗意图的情况下产生错误叙述，而当事人会真诚地相信其内容为真。我们惯于将AI的幻觉视为技术缺陷，却忽略它同时也是创造力的副产品。语言模型的本质在于预测与想像，当这种能力用于文学创作时，我们称之为灵感；当它被用来陈述事实，偏差便被视为幻觉错误。人类大脑的运作亦不例外。神经科学研究指出，即使是健康个体，记忆本身也是一种重构过程，而非精确的重播。我们经常在记忆的裂缝中修补，在视觉盲点中填补不存在的细节。我们与AI一样，生活在经过筛选与扭曲的世界里，只是人类发展出区分有用想像与危险妄想的社会机制。真正的难题在于证据本身的定义。对AI而言，机率分布与统计关联即构成它所理解的证据。如果训练數據长期重复某种错误叙述，例如关于拿破仑（Napoleon Bonaparte）身高的迷思，他实际身高约169厘米，在当时法国男性中属于平均或略高于平均，但網絡上却长期流传他仅有157厘米的说法，这源于法国旧制单位与英制单位换算错误的历史遗留问题。模型在缺乏外部校验的情况下，便可能将这类谬误内化为常识。更深层的危机来自信息的递回循环。当人类大量吸收AI生成的内容，而这些内容又反过来成为下一代模型的训练材料时，真实与幻觉的边界不仅会变得模糊，甚至可能出现结构性的崩解。研究已显示，训练數據中的偏见、遗漏与不一致性，会转化为系统性的缺陷，持续放大幻觉的产生。这已不再是单一演算法的问题，而是整个信息生态系的集体偏移。在辛克莱所描述的两种愚蠢之外，当代社会或许正在形成第三种困境，即丧失識別能力的状态。当影像、声音与论述都能被高度拟真地伪造，眼见为凭的时代已正式终结。我们或许不该奢求一个永不产生幻觉的AI，因为那等同于要求一个不再做梦、丧失想像力的心智。幻觉是大型语言模型的结构性特征，因为其核心目标是生成看似合理的内容，而非主动验证真实性。对绝对精确的过度追求，反而可能抹除AI中最具价值的创造潜能。因此，我们真正需要学会的，是与幻觉共存的艺术。这意味著在不确定性中前行，既不盲目崇拜AI的输出，也不因恐惧而全盘否定其意义。真正的智能存在于持续的怀疑与开放之间。当AI抛出看似惊人的结论时，我们应将其视为一个邀请，促使我们去查证、去探索、去思考。正如学界所建议的，使用高品质且多元的训练數據、严格的测试流程，以及交叉验证机制，都是降低幻觉风险的有效途径。在这个由人类与机器共同编织现实的时代，也许我们彼此都带著某种程度的认知扭曲前行，唯有透过不断的对话与辨析，才能在虚实交错的迷雾中，捞起那一抹仍可共享的真实。

对过去的执著，常使人误以为昨日是一个可以重启的程序（rebootable program），仿佛只要回到某个储存点（save point）便能修正错误。然而，时间的核心机制是改写（rewrite），而非还原（restore）。每一次前进，都伴随著内在结构的调整。路易斯·卡罗（Lewis Carroll）在《爱丽丝梦游仙境》（Alice's Adventures in Wonderland）中，透过爱丽丝（Alice）之口说出那句著名的话：「回到昨天没有用，因为那时的我已是不同的人。她之所以无法回归原貌，正因其认知框架（cognitive framework）已被经验永久改变。」将此观点延伸至AI发展，可以看到相似的逻辑。一个完成训练的AI模型，其昨日由固定的训练數據集（training dataset）与初始模型权重（initial model weights）所构成。在部署后，模型本身通常维持静态；唯有经过微调（fine-tuning）或持续学习（continual learning），它才会进入新的阶段。每一次有目的的再训练与迭代，都会不可逆地改变其内部参数结构。人们往往期望AI的记忆，也就是其经训练形成的知识，是稳定且可预测的。然而，如同人类学习，AI的成长并非线性过程。新數據可能引入异常案例（anomalies），也可能挑战既有模式。一个大型语言模型（LLM）在不同版本间所呈现的细微输出差异，正反映其在再训练后参数（parameters）配置的调整结果。模型并非单纯重复过去的计算，而是在旧有基础上，经由新的训练周期，形成带有修正理解（revised understanding）的新状态。这种不可逆的进化同时蕴含深刻风险。当AI吸收错误或带有偏差的數據，它可能朝错误方向演进，且难以回到一个所谓正确的昨日。正因如此，數據来源的选择、治理与监管显得格外重要。持续学习的路径如同单行道，一旦數據受到污染，后续修正所需付出的代价将极为高昂。因此，对AI而言，真正的适应性并不在于固守一个被视为完美的过去训练集，而在于能否在面对模糊性与错误时，透过审慎的再训练与优化，生成更准确且更具弹性的回应。它的进化不在于静态保存所有信息，而在于能于每一次训练迭代中调整内在连结与权重，持续向前。它的昨日完成初始学习，它的今日则携带更新后的参数结构，在新的任务中延伸出新的知识。