AI 會唬爛，還能信嗎？用 ACHIEVE 框架挑對問題

「AI 會一本正經地胡說八道，所以不能用。」這句話我聽過無數次，而 Vanderbilt 大學的 Trustworthy Generative AI 這門課，開場就把這個說法翻了過來：幻覺（hallucination）不是故障，是特性。拿它來腦力激盪、編故事、發想點子，能無中生有正是它的價值；只有當你用錯地方，幻覺才變成災難。

所以「值得信賴的生成式 AI」不是一個更乖的模型，而是一套挑問題的眼光：哪些任務交給它是安全又划算的，哪些從一開始就不該交給它。這篇整理課程第一個模組給我的幾把尺，以及授課教授 Jules White 提出的 ACHIEVE 框架。

先接受一件事：它不是事實來源

課程裡有個讓我印象很深的示範。教授請 ChatGPT 介紹「Vanderbilt 大學的 Jules White」，也就是他自己。模型流暢地生出一段履歷：助理教授、某年加入 Vanderbilt、貢獻卓著。聽起來可信，但其中職稱是過時的、加入年份是憑空生的。它生成的是「看起來像事實的文字」，不是事實。

課程給的心智模型是：把它當「計算引擎」而不是搜尋引擎。它能對你給它的材料做很了不起的推理、歸納、改寫，但你不給材料、只叫它憑記憶生事實，就是在抽獎。

同一個道理反過來說：搜尋服務之所以能結合 AI，是因為先檢索出真實文件，再請模型「摘要這些結果」，而不是請模型自己發明結果。

挑問題的幾把尺

那什麼問題適合交給它？課程第一個模組給了幾條非常實用的判斷標準，我把它整理成四把尺：

• 驗證要便宜：如果你在乎正確性，檢查答案的成本必須遠低於自己做。像填字遊戲的答案，一眼就能核對規則，錯了也只是重來；反例是課程裡「把電腦科學翻成古巴比倫楔形文字」的示範，驗證它得去找真正的專家，那還不如一開始就去找專家。
• 答錯了也有價值：腦力激盪、列選項、打草稿這類任務，重點是啟動你的思考，對錯根本不是重點。十個點子裡有三個不可行，剩下七個仍然是你原本想不到的。
• 風險要低：答錯會傷到人的事不要交給它。「我吃這個藥安全嗎」是反面教材；把問題改成「我該問醫師哪些問題」，風險就從決策移回了對話。
• 要在你的專業內：專家看得出草稿裡的錯，所以敢放心用它衝速度；外行看不出來，就等於把方向盤交給了運氣。誠實盤點自己的專業範圍，是安全使用的前提。

兩個特別安全的操作：過濾與導航

課程點名了兩種天生就容易驗證的用法。第一是過濾：把一批資料給它，請它挑出符合條件的子集合，並保留原始編號或行號。

因為輸出必然是輸入的子集，你可以逐項核對「這真的在原始清單裡嗎」，摘要時再請它在每句話後面附上支持該句的原文行號，查證就從苦工變成順手的事。

第二是導航：處理敏感資訊時，別讓它「生成」答案，讓它「帶路」。課程用醫療 App 舉例：病人問「我的下次回診是什麼時候」，與其讓模型生成一個可能是編的時間，不如讓它回答「這個資訊在預約排程頁」，甚至直接把使用者帶到那個畫面。

帶錯路只是小小的挫折，生成錯誤的回診時間卻是真實的傷害，兩種錯的代價天差地遠。

ACHIEVE：五類值得做的事

課程的核心主張是「擴增智慧」（augmented intelligence）：AI 不是來取代你的替代品，而是「心智的動力外骨骼」，放大你的創造力與解題能力。ACHIEVE 框架就是把這個理念落成五類具體的用法：

課程用「籌辦一場教師工作坊」把五類用法從頭走了一遍，我覺得特別有說服力。協調：把會議紀錄丟給它，請它列出計畫裡的模糊之處、以及兩個小組的決議哪裡互相衝突。雜務：把報名表單的開放式回答丟給它，一句話就完成受眾分群，還能隨口再要三種不同的分法。

安全網：上傳簡報，請它找出「對這批聽眾來說沒定義過的術語」。激發：請它「扮演我內容的懷疑者，提出十個尖銳的問題」。放大：為每個系所的與會者客製一則專屬的示範提示，這種規模的客製化，一個人手工做根本不可能。

一切的前提：輸出永遠是草稿

貫穿整門課的一句話是：把所有輸出當草稿，事實查核、修訂、改進是你的工作。課程講得很直白：如果你的用法只是複製問題、貼上答案、原封不動交出去，那你做的事本身就能被自動化，被取代的不是被 AI，而是被「會用 AI 的人」。

反過來，把輸出當起點去編輯、質疑、疊上你的專業，它就是你能力的放大器。

修完這個模組，我自己的改變是動手前多問一句：這個任務答錯了會怎樣、我驗證得了嗎。光這一句，就已經把大部分的風險擋在門外了。