AI的意外想法，如何成為可以負責的事實陳述

公共圖書館請AI協助設想新服務時，完全可以期待一個從未實施過的點子。但當同一個助手起草經費申請時，它不能憑空補上居民已經提出需求的證據。這兩項工作可能發生在同一段對話裡，第二份文件直接沿用第一份材料。最容易被忽略的變化，是一種可能性逐漸獲得了事實陳述的權威。

MIT於2026年10月23日發布的訪談介紹了歷史學者Benjamin Lindquist對早期AI研究者重視意外輸出的考察。他的歷史研究論文發表於10月19日。這段歷史可以協助我們重新考慮對系統的要求，卻不能證明今天的語言模型必須編造事實才能具有創造力。研究者過去的追求，與當代模型的因果機制，是兩種不同的問題。

本文討論的是模型周圍的工作安排：怎樣保留發明的用途，同時管理一句生成文字何時變成需要負責的判斷。如果把所有出乎意料的回答都當成缺陷，探索空間會收窄；如果把吸引人的構想當成證據，後續決策的基礎就會動搖。

方案流轉時，陳述的身分也在變化

設想一個虛構的圖書館規劃討論。助手建議在交通站點附近設置晚間行動閱覽室。這是一項新服務構想，並非對現有計畫的報導。團隊可以討論，它能否服務正常開放時間無法到館的人，選址如何影響可及性，以及小規模試驗能夠回答什麼問題。

假如後續草稿寫成「當地輪班工作者已經要求提供這項服務」，而實際沒有進行過相關諮詢，文字就越過了事實邊界。原來的點子仍可能值得嘗試。刪除無依據的陳述，不等於放棄構想，而是把需求重新寫成有待調查的問題。

這種區別甚至存在於同一個段落裡。方案可能同時包含現行閉館時間、對未滿足需求的假設，以及針對這一假設的創意回應。它們需要不同的處理方式：開放時間可以核對現行公告，需求需要觀察或諮詢，服務設計需要與替代方案比較。籠統要求模型「既有創意又準確」，沒有說明這些責任分別由誰完成。

編輯過程也會帶來風險。帶有限定語的句子被壓縮成摘要，摘要進入簡報，另一位同事再把簡報複製進申請書。沒有增加任何證據，一項暫定假設卻可能丟失標籤。流暢的表達和多次出現，讓它顯得已經獲得確認。因此，審閱不僅要看文字是否通順，也要檢查陳述的證據身分有沒有變化。

建議更多，選擇未必更寬

Doshi與Hauser發表於2024年的短篇故事實驗發現，AI點子提高了個體作品的創造力評分，同時使作品之間更相似。實驗情境必須保留：這是寫作研究，不能直接預測所有公共服務討論。

對這個虛構的圖書館而言，更有用的是提出一個需要檢驗的問題：這些方案真的不同，還是同一前提的漂亮變體？十個都預設晚間需求未被滿足的方案，可能不如少數幾個考察不同原因的方案有選擇價值。交通、語言、知曉程度和服務內容是否相關，可能分別指向不同措施。這些只是例子中的解釋方向，不是關於任何真實社區的調查結論。

團隊可以先保留自己的現場觀察，再請AI提供建議，隨後比較二者。還可以問：看到什麼證據，我們會放棄這個方案？這樣既不要求每個早期點子都已經得到證明，也不把新奇本身當成篩選依據。構想成為調查的起點，下一步工作才有明確方向。

信心需要能夠返回證據

生成陳述也可以接受技術檢查。2023年3月15日首次提交的SelfCheckGPT研究考察了透過多次取樣回答之間的不一致，偵測生成傳記中的無依據陳述。這類研究提示我們進行檢查，而非自動接受所有通過檢查的文字。

對於公開文件，即使模型多次給出相同答案，也應將其視為重複輸出，而不是相互獨立的原始紀錄。真正需要回答的，仍是可查閱的來源能否支持特定地點、特定時期的這項主張。另一座城市的試驗可以提供方法參考，卻不能證明這家圖書館所在社區已經存在相同需求。

這樣理解，不確定性也能發揮實際作用。「暫時不知道」不必終止規劃，可以指明下一步應當觀察地點、諮詢潛在使用者，或者進行有限試驗。相反，在一份語氣肯定的申請書末尾加上模糊免責聲明，很難讓讀者知道哪些前提未經驗證。限定條件應當留在它所限定的具體陳述旁邊。

在影響決策的地方設一道編輯邊界

一種可行的工作設計，是把探索材料與準備對外使用的文字分開，同時允許點子流動。當構想進入決策文件，其事實前提需要明確支持，假設仍應可見，預計效果在被觀察到之前仍屬於預期。這是本文提出的編輯安排，不是已經透過實驗驗證的可靠性保證。

這道邊界也有成本。逐個核查所有隨口提出的想法，會拖慢討論，壓縮有價值的嘗試；只檢查最後成稿，又可能太晚才發現數頁論述依賴一個編造的前提。較合適的介入時點，是某項前提開始為選擇、預算或公開承諾提供理由的時候。此時，它的身分已經會影響討論者之外的人。

這樣的流程不能回答創造力的全部哲學問題，也不能保證試驗成功。但相比要求模型每一次回答都在想像力與準確性之間找到同一種平衡，它能更具體地分配責任。在圖書館這個例子裡，下一份值得提交的材料，應當是一項如實說明未知之處、並提出可行調查辦法的方案。意外的點子可以保留，支持它的證據仍需要另外取得。