身為 Mercury Technology Solutions 的執行長，我經常沉浸在關於未來工作、創新，以及如何利用科技加速數位轉型的討論中。生成式人工智能等工具是這場革命的核心，是創造和解決問題的強大引擎。但是，強大的力量也帶來了重要的責任：需要先進的數位素養。
一位追隨者最近提出了一個奇妙的問題，直指這個新現實的核心：在這個我們可以「直接用 Google 搜尋」的時代，當 Google 沒有答案時該怎麼辦？當人工智能對新奇或複雜的問題提供了令人信服、清晰的回應，但我們卻沒有簡單的方法來驗證其準確性時，我們該怎麼辦？
這與不信任 AI 無關。而是要提升我們的思維。我們需要從被動的資訊消費者轉變為發現真相的主動合作者。基於我的經驗以及應用 AI 的專家們在該領域的見解，我提煉了一套七步驟的方法來做到這一點。這就是將人工智慧從簡單的回答機器轉換成一個強大的假設引擎，而您，也就是人類，可以指導和驗證這個引擎。
TL;DR: 當 Google 無能為力，而 AI 提供了複雜問題的答案時，請不要盲目相信或否定它。請使用此七個步驟來驗證其聲稱：
- 解構答案：要求 AI 將其回應分成前提、推理和結論，以揭示其邏輯結構。
- 將片段分類：將分解後的陳述分類為可驗證的事實、可測試的推論和主觀意見。每種類型都需要不同的驗證策略。
- 使用「延伸檢索」尋找事實：如果直接搜尋失敗，可使用學術搜尋引擎（如 Google Scholar）上的概念關鍵字來尋找相關證據。
- 為推論設計微測試：如果沒有文獻存在，請要求 AI 預測其主張的可觀察結果。執行小規模測試（例如 A/B 測試或調查）來檢查信號。
- 壓力測試邏輯：請 AI 充當魔鬼代言人，提出反駁論點或其結論可能錯誤的情境。這有助於找出推理中最薄弱的地方。
- 與他人進行交叉驗證：在不同的人工智慧模型（例如 Claude、Gemini）上執行相同的查詢，並諮詢人類專家，以獲得不同的觀點，並捕捉特定模型的偏差。
- 建立可信度矩陣：將您的發現整理成一個簡單的表格，根據您收集到的證據為每個命題評分。這可為您的驗證工作建立清晰、「一目了然」的檢視。
當 Google 失敗時：將您的 AI 轉變為假設引擎。
我們都有過這樣的經驗。無論您是撰寫論文的學生、探索新領域的研究人員，或是開發新產品的企業家，您的第一個本能就是上網搜尋確實的答案。但最有趣的問題，也就是那些能帶來真正創新的問題，卻很少有一個答案。這些問題通常是跨領域、具前瞻性，而且沒有既定的共識。
這正是生成式人工智能的優勢所在，它可以匯集大量的資料來建構新穎的假設。但我們該如何信任這些輸出？我們該如何超越「複製、貼上、祈禱」？
秘訣在於改變您的思維。不要將 AI 的回應視為成品。把它當成一個起點。您的角色是成為驗證的建築師。以下是您可以用來指導 AI 的步驟與提示的快速指南。
七步驗證架構：快速指南
| 步驟 | 與您的 AI 一起使用的提示範例 |
|---|---|
| 1.解構答案 | 「請將您之前的答案分成三個部分：核心前提、邏輯推論和最終結論」。 |
| 2. 將命題分類。 | "分析下列陳述，並將每項陳述歸類為「可驗證的事實」、「可驗證的推論」或「主觀觀點」"。 |
| 3.使用延伸擷取。 | "與 [插入概念] 概念相關的學術或科學關鍵字有哪些？提供 Google Scholar 的搜尋詞彙"。 |
| 4. 設計微測試。 | "如果您所說的 [插入主張] 是真的，我應該期待什麼可觀察的現象？請幫我設計一個簡單的實驗來測試這一點"。 |
| 5.壓力測試邏輯 | 「扮演魔鬼代言人的角色。列出三種情況或反例，以證明您的結論是錯誤的或顯示其限制。 |
| 6. 準備進行交叉驗證。 | 「總結我們對話中的主要論點和結論，以便我與人類專家分享，徵求他們的意見」。 |
| 7.建立可信度矩陣 | "建立一個 Markdown 表格，其中有「命題」、「證據來源」和「可信度」等欄位。將我們討論過的主張填入其中"。 |
步驟 1：將 AI 的答案解構為核心結構。
一個寫得很好的 AI 回覆可以是非常流暢的。第一步是褪去雄辯滔滔的散文，露出底下的邏輯骨架。不要只是閱讀它，而是要解構它。一個簡單的提示就可以幫您完成這項工作：
「請將您之前的答案分成三個部分：核心前提、邏輯推論和最後結論」。
例如，假設您詢問一種新的教學方法，而 AI 提出了「5-5-15 教學法」。(註：快速搜尋後發現並沒有這種既定的教學架構，因此這是一個聽起來似是而非的 AI 編造的完美範例)。
AI 可能會聲稱"5-5-15 方法可將學生的學習效率顯著提升 20%，因為學生的短期記憶可在三分鐘內完成重組，而感官刺激有助於延長記憶保持時間。這樣的時間安排可以增強學生的專注力和學習動機。
解構後，您會得到這些核心命題：
- 前提 A：短期記憶可以在 180 秒內重新組織。
- 前提 B：某些感官刺激可以延長記憶的保留時間。
- 結論 C：因此，5-5-15 方法改善了學習成果。
現在，您有了清楚、易於管理的陳述來進行調查，沒有了說服性的花言巧語。
步驟 2：將每個命題歸類：事實、推論或意見。
並非所有的陳述都是一樣的。為了有效驗證，您必須將剛才擷取的命題分類。這是整個過程的中心樞紐。
- Verifiable Facts（可驗證的事實）： 這些是可以與科學文獻、文件或資料進行核對的主張。(例如：「海馬區參與記憶鞏固」）。
- 可測試的推論： 這些是從事實得出的邏輯結論。推論本身不是直接的事實，而是需要評估其有效性的推理論據。(例如：「既然記憶是這樣鞏固的，那麼這種教學節奏應該更有效」）。
- 主觀觀點：這些是以價值為基礎的陳述，缺乏普遍的真理標準。(例如：「這種方法讓學習更愉快」）。
這個分類告訴您接下來該做什麼：檢查事實、測試推論、討論觀點。
步驟 3：針對事實索賠，部署「延伸擷取」。
您可能找不到 AI 準確措辭的直接來源，例如「短期記憶在三分鐘內重組」。但這並不表示它是假的。這表示您需要從概念上思考。
請使用代表基本概念的關鍵字，而不是搜尋準確的句子。對於前提 A，您可以在 Google Scholar 或 PubMed 等學術資料庫中搜尋以下項目：
- 「工作記憶再鞏固」
- 「外顯記憶時間鞏固」
- 「記憶保留新奇刺激」
這種「延伸檢索」策略可以幫助您找到人工智慧可能參考的科學原理，即使人工智慧並未完美地綜合這些原理。這是關於知識地圖的導航，而不只是尋找街道地址。
步驟 4：當文獻無聲時，設計微測試。
如果您的搜尋沒有結果，但這個想法看起來仍然可行，該怎麼辦？是時候從研究員轉型為科學家了。請 AI 協助您設計一個小規模的實驗。
「如果您的主張是真實的，我應該期望在真實世界的測試中看到什麼可觀察的現象？
AI 可以幫助您列出簡單的 A/B 測試、活動前後調查或回饋問卷。以我們的教學方法為例，您可以用兩個小組來進行簡短的課程，一個使用傳統方法，另一個使用「5-5-15」結構，然後比較他們對簡短測驗的回想。Google 表單等工具讓這件事非常容易執行。這個「最低可行性測試」可以快速告訴您假設是否有價值。
步驟 5：使用「死前檢驗」來壓力測試推論。
現在，攻擊邏輯。不要嘗試證明結論是對的，而是積極嘗試證明它是錯的。這個技巧在商業策略和工程學中很常見，就是在您投入之前找出最弱的一環。
請 AI 當您的陪練：
「列出三種會導致您的結論失敗的情況或反例」。
對於教學方法，AI 可能會指出它對有學習障礙的學生、需要長時間深入專注的複雜專案式學習，或在嘈雜的環境中無效。這揭示了假設的邊界條件，避免您過度概括其效用。
步驟 6：使用不同的模型和人類專家進行交叉驗證。
每個模型都有自己的偏見和盲點。關鍵的一步是尋求第二、第三或第四個意見。
- AI 對 AI： 向其他大型語言模型提出相同的問題。Claude 是否同意 Gemini 的觀點？專門的開源模型是否提供了不同的觀點？矛盾往往比一致更能發人深省。
- Machine vs. Human：與同事、導師或專題專家分享您的解構結果，而非整個 AI 垃圾。透過呈現您的結構化分析，您可以促進更深入且更有成效的對話。
步驟 7：建立您的「臨時可信度」矩陣。
最後，整合您的工作。建立一個簡單的表格來追蹤您的發現。在行中列出您的命題 (A、B、C)，在列中列出您的證據來源 (文獻搜尋、微觀測試、專家回饋)。在每個單元格上打勾 (✓)，表示確認；打 X (✕)，表示反駁；打問號 (?)，表示待定。
這個「可信度矩陣」是您調查的有力總結。它記錄了您的過程，並建立了「暫時的真相」- 一個您目前可以信任的結論，並清楚瞭解其支持證據和剩餘的不確定性。
結論：您不是知識的消費者；您是知識的共同創造者。
在創造性人工智能時代，我們身為人類的價值已經轉移。它不再只是 知道答案。而是 驗證答案的嚴謹過程。當面對新穎的 AI 生成假設時，正確的問題不是「這是真的嗎？」，而是「這裡有哪些可驗證的單元，我該如何測試每個單元？
在這個過程中，AI 可以成為您的合作夥伴 - 一個不知疲倦的創意產生器。但您才是導演、策略師，以及真理的最終仲裁者。透過掌握這個解構與驗證的工作流程，您可以將不確定的時刻從路障轉化為機會。當 Google 沒有答案時，您不必停下來。您可以成為答案的工程師。
AI 提供的是起點，而不是終點。而最深刻的真理往往就在您敢於自己拆解和測試的「可驗證單元」中。
