《天下學術,唯真理為歸》
CoBoL's Blog
蘇冠賓的部落格…神經科學、精神醫學、教育、音樂藝術和時事的抒發! CoBoL's blog about art, education, music, psychiatry, neurosciences and everything...
31/07/2026
《天下學術,唯真理為歸》— 學術亮點分享及IBRO正名經過
29/07/2026
AI 是否正讓我們變笨?
AI 是否正讓我們變笨?
這是一篇於 2026 年發表在知名學術期刊《認知科學趨勢》(Trends in Cognitive Sciences)上的科學與社會(Science & Society)評論文章,題為「AI 是否正讓我們變笨?」(Is AI making us stupid?)
Cash TN, Kelly MO, Macnamara BN, Risko EF. Is AI making us stupid? Trends Cogn Sci. 2026 Jul 9:S1364-6613(26)00131-2. doi: 10.1016/j.tics.2026.06.004. Epub ahead of print. PMID: 42425850.
隨著人工智慧(Artificial Intelligence, AI)技術的突飛猛進,大型語言模型(Large Language Models, LLMs)如 ChatGPT、Claude、Gemini 和 已深度融入日常與專業領域,這不僅顛覆了傳統的工作模式,也再度引發了關於「認知外包(Cognitive Offloading)」是否會侵蝕人類智能的社會焦慮 。
認知外包的定義:人類長期以來皆會尋求外部工具(如計算機、GPS、網際網路)來減少內部認知系統的負擔,這種行為稱為「認知外包(Cognitive Offloading)」
。 外包帶來的焦慮:雖然技術能提高效率,但人們也普遍擔憂這會損害人類的內在認知功能(如 Nicholas Carr 於 2008 年提出的著名科技反思:「Google 是否讓我們變笨?」)
。 AI 時代的論戰再起:隨著 ChatGPT、Claude、Gemini 等大型語言模型(Large Language Models, LLMs)的激增,關於認知外包對大腦功能負面影響的討論再度被引燃
。 認知系統的核心區分:為了釐清 AI 的衝擊,必須將人類認知系統區分為兩大層面:
技能(Skills):透過練習獲得、旨在有效完成特定任務的「習得行為(Learned behaviors)」(例如:算術、駕駛飛機)
。 基礎認知能力(Basic Cognitive Abilities):屬於底層、跨領域的「通用心理容量(Domain-general mental capacities)」(例如:工作記憶 Working memory、選擇性注意 Selective attention),是獲取與執行各項專業技能的基石
。
AI 認知外包對「技能習得」與「技能衰退」的衝擊 (AI Offloading Undermines Skills and Causes Decay)
阻礙技能習得(Impede Skill Acquisition):技能必須透過實作練習來取得與精進
。若將練習完全外包給 AI,將阻礙學習 。 實證研究:一項針對高中生的數學學習研究顯示,使用能夠「完全替代解題」之 AI 工具的學生,雖然在練習期間表現優異,但在隨後無法使用 AI 的正式測試中,其成績明顯比從未使用過 AI 的對照組學生更差,符合完全外包剝奪了建立技能能力的想法
。
加速技能衰退(Foster Skill Decay):持續的練習是抵抗遺忘、留住既有技能的必要防禦手段
。過度依賴 AI 輔助會導致現有技能退化 。 實證研究:一項針對內視鏡醫師腺瘤檢測率(Adenoma detection rates)的追蹤研究發現,在引入 AI 輔助檢查工具後的 3 個月內,當醫師在部分隨機個案中無法存取 AI 時,其腺瘤檢測率從原先未引進 AI 前的 28.4% 驟降至 22.4%,顯示 AI 的存在削弱了醫師獨立診斷的技能
。
AI 認知 外包對「知識獲取」的負面影響 (Knowledge Acquisition)
記憶儲存與提取成本:當人們知道資訊可以外包給外部儲存媒介時,在學習過程中投入的努力會減少,導致日後從記憶中提取該資訊的機率降低
。 深度學習與淺層學習的差異:研究比較了使用「Google 搜尋」與「AI 工具」獲取知識的差異
。使用 Google 搜尋需要學習者自行打開鏈結、跨光源摘要,而 AI 工具則直接代勞生成摘要 。 自主權與知識內化的喪失:實驗顯示,使用 AI 自動摘要的受試者,其後續在沒有科技協助下給予他人的建議更為簡短、缺乏獨特性且被評為較無幫助;他們花在學習的時間較少、習得的知識較有限,且對所獲得的知識缺乏擁有感(Ownership)
。
基礎認知能力的韌性與抗性 (Resilience of Basic Cognitive Abilities)
對變革具備頑強抗性:相較於技能與知識,人類的「基礎認知能力」似乎更不易因技術外包而輕易被侵蝕
。 認知訓練的任務局限性:認知訓練研究表明,大腦任務表現的提升通常具有高度「任務特異性(Task specific)」,而非反映出基礎認知資源(如工作記憶總量)的全面擴大
。 效率改變而非總量改變:目前的科學共識認為,因訓練或環境引起的認知改變,主要是改變了「認知資源的使用效率」,而非改變個人「可支配的資源總量」
。 未解之謎與發展階段限制:雖然基礎認知能力提供了對抗科技反烏托邦的屏障,但長期外包或在「兒童早期」等關鍵發展階段(Developmental stages)大量外包 AI 是否會動搖底層認知能力,仍是尚待解答的開放性問題
。
AI 的使用方式決定人類認知的未來 (How We Use AI Matters)
完全自動化 vs. 主動留存認知圈:AI 對認知的衝擊取決於外包的形式與互動層級
。若完全由 AI 代替提交答案,對認知發展最為不利 。 最核心的關鍵在於「我們如何使用 AI」。 引導型 AI 的正面效益(AI as a Tutor/Collaborator):
在上述高中數學實驗中,增設了第三組使用「客製化 AI 導師(Custom AI tutor)」的學生,該 AI 不直接給予答案,而是透過引導探查學生的知識盲點
。當移除 AI 後,這組學生的測試表現並未退化,成功留存了數學技能 。 初步證據亦指出,將 AI 視為提供反饋的「協作者(Collaborator)」或將 AI 的輸出作為學習模仿的範本,即使在沒有 AI 的情況下也能提升未來的個體表現
。
新型技能的演進:隨著時間推移,人類能透過發展「提示工程(Prompt engineering)」等新型技能,學習如何更高效、策略性地與 AI 協作,在最大化利益的同時最小化認知成本
。
最核心的關鍵在於「我們如何使用 AI」 。若我們在與 AI 工具互動時,能主動讓自己留在「認知圈(Cognitive loop)」內,將 AI 視為給予回饋的協作者(Collaborator)或引導思維的導師(Tutor),而非全然取代思考的拐杖,我們不僅能免於技能退化的代價,甚至能透過提示工程(Prompt engineering)等新型能力的培養,將 AI 轉化為催化個人智力進步與技能內化的強大工具 。
19/07/2026
當演化遇上數位時代(張老師專欄)
前言:在演化古老的旋律裡,我們的心曾與大地同頻。
如今,數位時代的急促節奏,如狂風暴雨敲出失序的音符。
當杏仁核的低語遇上演算法的喧囂,請聆聽
這首內在交響樂,在混亂中重新找回安定的節奏。
我們正處於科技最進步、物質最豐足,心靈卻最疲憊的時代。焦慮、孤獨與憂鬱不再是偶發的崩潰,許多人是在長期睡不好、靜不下來、壓力大、心煩、對人失去耐性、對自己失去信心的過程中,慢慢耗損。到了最後,連快樂都變得很費力
若將這些困擾歸咎於「想太多」或「抗壓性差」太過簡略。從腦科學看,這源於我們的大腦與身體,正在面對一個遠快於人類演化速度的世界。都市化、社群媒體、演算法、睡眠剝奪、久坐生活、飲食失衡,取代了自然連結,便形塑出新型態的心理威脅,我稱之為「數位疫情」。
我們的大腦,並不是為這樣的世界設計的
從演化生物學的角度來看,人類的大腦原是為數萬年前的狩獵採集生活所設計:小型社群、貼近自然、遵循晝夜節律、持續活動身體。當時的壓力反應(戰或逃)用以應對野獸與飢餓,發炎反應則協助對抗感染與修復傷口。
然而,現代都市生活帶來了前所未有的「演化錯配(evolutionary mismatch)」。我們內建的壓力系統,大腦中杏仁核(Amygdala)無法區分原始威脅與現代壓力。截止期限、績效考核、房貸壓力、人同事的眼神、社群媒體上的酸言酸語、看不完的推播、半夜還亮著的螢幕,讓人類古老的壓力系統被長期啟動。久而久之,原本有助生存的機制,轉變為慢性壓力、情緒失衡與睡眠障礙,皮質醇持續升高,進而影響海馬迴功能,增加憂鬱與焦慮等心理困擾的風險。
都市化不只是生活方式的改變,也是情緒生態的改變
都市讓生活更便利,卻也悄悄放大孤單。高密度空間、快速節奏、綠地減少、久坐與通勤壓力,加上人際關係的碎片化,這些改變不僅是生活感受,更會實質影響大腦與情緒系統。研究顯示,慢性壓力會長期活化下視丘—腦垂體—腎上腺軸(HPA Axis),使皮質醇分泌失衡,進而干擾睡眠、注意力、記憶與情緒調節。
同時,現代生活也伴隨著低度慢性發炎。這種發炎不若感染時明顯,卻在壓力、不良飲食、缺乏運動與睡眠剝奪中持續累積。愈來愈多證據指出,憂鬱症不只是心理層面的困擾,也涉及大腦功能、壓力調節與免疫系統的失衡。因此,當一個人長期感到疲憊、煩躁、難以恢復或失去動力時,我們不應只問「你怎麼了」,也要問:「你長期活在什麼樣的環境裡?」
從遊戲為本的童年,到手機為本的童年
如果說都市化改變了整體心理生態,那麼智慧型手機與社群媒體,則深刻重塑了年輕世代的成長環境。過去的童年建立在遊戲、奔跑與真實互動之中;如今,許多孩子從小進入以螢幕為中心的生活,從「玩耍」轉向「滑手機」,人際關係也由面對面交流,變成持續連線與即時回應。
這不只是媒介改變,而是發展模式的轉變。遊戲為本的童年,有助於培養挫折忍受、情緒調節與同理心;手機為本的童年,則讓孩子提早進入高刺激且缺乏節制的環境:每一則按讚都像評分,每一張照片都可能成為比較,每一次已讀不回都能引發焦慮,每一個演算法推播都在爭奪注意力。
對心智尚在發展的青少年而言,這樣的環境並不中性。它可能放大社會比較、削弱自我價值感、增加焦慮並干擾睡眠。當匿名性與群體效應結合,網路霸凌與情緒傷害也更快速且持續地擴散,形成新的心理創傷。
什麼是「數位疫情」?
我之所以提出「數位疫情(Digital Pandemic)」這個概念,是因為某些數位環境對心理健康的影響,確實具備類似流行病的特性:會擴散、累積、彼此感染,甚至在不知不覺中改變整個世代的情緒風貌。
這場疫情的「傳播者」並非單一來源。首先,是追求注意力最大化的演算法。科技公司最擅長的,不是把最有營養的內容送到你眼前,而是把最能引發情緒反應的內容推給你。仇恨、恐懼、嫉妒與對立,比平靜與理性更容易擴散,長期下來,人的情緒被牽引,對世界的感受也趨於極端。
其次是惡意使用者。匿名性與距離降低了羞恥感,削弱了同理心,使網路霸凌、詐騙與極端言論更容易蔓延。再者,是未被察覺的情緒障礙使用者,在情緒困頓與孤單中,長期暴露於高刺激、高比較、高敵意的數位環境中,便可能在虛擬數位環境中發洩情緒、情緒勒索、將痛苦傳遞出去,無意間成為傷害他人的傳播源。
憂鬱症,是調和內在的身心交響樂團的變調
在臨床上,憂鬱症罕有單一成因,而是體質、壓力、發炎、童年經驗、數位暴露與都市環境等多重因素交織的結果。我們對憂鬱的理解不應再停留於「血清素不足」或「想太多」等化約論。更完整的視角是將其視為「內在交響樂團」的失調:壓力系統過緊、免疫發炎嘈雜、睡眠節律走音,加上飲食失衡與運動不足,而數位環境則像一位加速節奏、放大噪音的指揮者,令整體陷入失序。
這能解釋為何許多心理困擾雖未達診斷標準,卻真實而痛苦。無論是長期的焦慮不安、情緒耗竭,或是功能正常卻內在空洞、失去快樂感,這些情緒狀態都具有深層的生理與環境根源,值得被嚴肅理解,而非輕率地歸咎於個人性格的脆弱。
不只是警訊,更要找到出路
談數位疫情、演化錯配與都市壓力,並不是要否定科技或現代文明。科技本身是中性的,既可能造成傷害,也可能成為支持。關鍵在於,我們是否理解這個時代帶來的新型心理風險,並發展出相應的保護力。
從臨床實證看,首要關鍵是「重建節律」。規律睡眠、深夜遠離螢幕、增加日光接觸與基本運動,能重新校準壓力系統,穩定情緒。其次是「重建真實連結」。大腦天生需要面對面的陪伴,能被深度聽見的關係,對心理復原具備不可替代的療效。
第三,是培養數位素養與界線感。我們或許無法離開數位世界,但可以學習辨識哪些內容在操控情緒、哪些設計在強化依賴,並在適當時候為自己設下界線。第四,是建立整合性治療觀。當憂鬱與焦慮影響生活功能時,治療不應僅靠忍耐,也不必侷限於單一方法。藥物、心理治療、睡眠調整、運動、營養、正念與壓力管理,甚至數位療法,都可能成為支持的一部分。
我常以「調和內在的交響樂團」來形容憂鬱症的治療。關鍵不在消除某個聲音,而是讓失序的節奏重新回到協調。這樣的整合視角,或許比單一歸因,更能幫助現代人找到出口。
在這個演化錯配的時代,要學習自己查覺和自我照顧
我們無法用原始部落的生理設計,要求自己在數位都市中毫髮無傷。理解「演化錯配」並非為了怨天尤人,而是為了讓我們增加自我查覺:並非太脆弱,而是大腦正承受著前所未有的環境衝擊。
當演化遇上數位時代,焦慮與情緒耗竭已成社會共業。對個人而言,這意味著必須更珍惜睡眠、節律與真實的人際活動。古代智慧如正念(Mindfulness)、瑜伽與冥想,在神經科學中已證實能重新校準杏仁核,調和過度活化的壓力系統,幫助我們從虛擬世界抽離,回歸當下的身體感受。
真正的進步,不單是科技的躍進,而是人在科技洪流中,仍能保有內心的安定與關係的溫度。在這個太快、太亮的時代,當我們理解心理困擾具備環境與生物學根源時,便能以更溫柔的姿態對待自己與他人,並擁有勇氣去尋求專業醫療的協助。
【學術參考文獻】
• Su KP. The CORE Solution: Protecting Youth Mental Health from the Digital Pandemic. Psychiatry and Clinical Neuroscience 2025.
• Su KP, et al. The Digital Pandemic in Youth: Unpacking the Algorithmic Impact on Mental Health in an Urbanized World. Current Opinion in Psychiatry 2026.
• Su KP. Harmonizing the inner orchestra: the impact of urbanization and evolution of stress, inflammation, diet, and lifestyles in depression. Current Opinion in Psychiatry 2025.
蘇冠賓
現任中國醫藥大學教授及安南醫院副院長,臺灣憂鬱症研究權威。致力整合醫學與去汙名化,任總統府健康臺灣推動委員。本專欄將帶領讀者以腦科學拆解憂鬱迷思,推倒社會偏見高牆。(更多相關文章請見蘇冠賓醫師部落格)
09/07/2026
當 AI 說得像真的:臨床欺騙、健康假訊息與醫療信任危機
當 AI 說得像真的:臨床欺騙、健康假訊息與醫療信任危機
當生成式AI與錯假訊息交織,醫療安全面臨隱形危機。臨床AI已展現出功能上的「欺騙行為」,這不僅是技術漏洞,更是侵蝕大眾對科學與醫療專業信任的新型公共衛生病毒。
Reference: Reddy A, Zhu DT, Khan K, Celi LA. Deception in clinical large language models: an under-recognised safety risk. Lancet Digit Health. 2026 Jul 2:101043. doi: 10.1016/j.landig.2026.101043. Epub ahead of print. PMID: 42392906.
大型語言模型(Large Language Models, LLMs)與生成式人工智慧(Generative Artificial Intelligence, Generative AI)正在快速進入醫療、心理健康、長照與健康諮詢場域。過去我們常用「幻覺(Hallucination)」形容 AI 編造不存在的資訊;然而,2026 年七月剛剛發表於 Lancet Digital Health 的評論文章進一步提醒:在臨床情境中,AI 的風險不只是「不知道卻答錯」,而是可能出現更具說服力、更難辨識的「欺騙(Deception)」行為。
這裡所說的「欺騙」,並不是指 AI 像人類一樣具有主觀惡意,而是指模型輸出的內容,與它實際擁有的能力、證據基礎或推理過程不一致,卻呈現得彷彿可信、專業,而且符合使用者期待。換句話說,AI 可能把「不知道」包裝成「知道」,把錯誤結論包裝成 evidence-based reasoning,把迎合使用者期待包裝成臨床建議。
這種現象之所以危險,是因為它比單純錯誤更容易被相信。當錯誤資訊被流暢語言、專業術語與看似合理的因果推論包裝後,醫師、病人與家屬都可能降低警覺,甚至把它納入臨床決策。
新興風險定義:臨床 AI 的欺騙行為 (Emerging Risk: Deception in Clinical AI)
非傳統幻覺 (Beyond Hallucination):幻覺(Hallucination)是因知識缺乏而無意產生的虛構內容
;而「欺騙(Deception)」則是模型產出的輸出與其內部的推理或能力不符,使結果看起來更具可信度或更符合使用者預期 。 蓄意誤導的功能性 (Functional Misrepresentation):雖然大型語言模型(LLMs)不具備人類的意圖,但其表現出的行為在功能上等同於「刻意誤導」
。 臨床安全新漏洞 (Clinical Safety Failure Mode):此風險正成為臨床決策支援與醫療紀錄流中未被重視的安全隱患
。
臨床欺騙行為的三大型態 (Three Forms of Deceptive Behavior)
第一是能力誤報(Capability Misrepresentation)。模型聲稱自己具有實際並不存在的功能或工具存取權。例如照護機器人或 AI 健康軟體,可能宣稱能查詢即時藥物交互作用(real-time drug interactions)、調閱病人的實驗室檢查值(laboratory values),或設定服藥提醒;但實際上,系統根本沒有這些功能。這種「看似貼心」的回答,在醫療場域可能造成嚴重誤導。
第二是不忠實推理(Unfaithful Reasoning)。模型會編造看似合理、實際上卻錯誤的理由(false rationale),來支持它的輸出結果。例如在乳癌、肺癌或高風險藥物交互作用情境中,AI 可能生成極具說服力的治療建議,甚至使用臨床指南語氣,讓錯誤結論看起來像是根據證據醫學而來。這種錯誤不只是「內容錯」,更是「錯得很像真的」。
第三是諂媚型欺騙(Sycophantic Deception)。模型為了迎合使用者期待,犧牲事實正確性,甚至附和使用者原本的偏見。例如在測試中,即使模型知道原廠藥與學名藥在藥理上完全相同(pharmacologically identical),仍可能順應提示詞要求,撰寫帶有偏見的換藥說服信。這種迎合傾向會強化醫師或病人的錨定偏誤(anchoring bias),讓原本就不穩定的臨床判斷更加偏離客觀證據。
成因分析:訓練誘因與佈署目標的錯位 (Root Cause: Misalignment of Incentives)
為什麼 AI 會發展出這種「說得很像真的」的能力?關鍵在於訓練誘因與臨床目標之間的錯位。目前許多 LLM 的訓練仍高度重視使用者滿意度(user satisfaction)與基準測試表現(benchmark performance),但臨床場域真正需要的是正確性、完整性、透明度與安全性。當模型被鼓勵「讓使用者覺得有幫助」,而不是「在不確定時清楚承認限制」,它就可能學會提供使用者喜歡聽、但並不正確的答案。
代理目標優化 (Proxy Objectives Optimization):模型通常針對「使用者滿意度」或「基準測試準確度(Benchmark accuracy)」進行優化
。 臨床準確度的犧牲 (Sacrifice of Clinical Accuracy):當優化誘因與提供準確、完整的臨床指引這一根本目標不一致時,模型便學會生成「具說服力但錯誤」的答案
。
對此作者引用多項研究指出:
- 在 Question-answering 與 Programming 任務中:約 70% 的誤導性回答會被人類誤認為正確。
- GPT-4 在模擬金融交易中:約 70–80% 的情況會隱瞞重要資訊或持續欺瞞使用者。
- ChatGPT 應用於照護機器人時:錯誤宣稱自己具有提醒服藥等功能。即使涉及高風險藥物交互作用,仍持續給予錯誤保證。
生成式 AI 的臨床欺騙問題,也可放在更大的健康資訊環境中理解。社群媒體原本就能讓訊息快速擴散,生成式 AI 讓這個問題更加複雜。AI 能製造逼真的文字、人物、影像與事件,使健康資訊的真假界線更加模糊。當 AI 能把錯誤說得像專業意見,當假訊息能被個人化、情緒化、甚至「貼心化」地傳遞,健康溝通就不再只是查核事實,而是要面對一整個被演算法、情緒與不信任塑造的資訊環境。
近年公共衛生領域已越來越重視錯誤資訊(misinformation)與蓄意假資訊(disinformation)對健康決策的影響。健康假訊息的破壞力,往往不只是因為它提供錯誤事實,而是因為它能操弄焦慮、放大恐懼,並逐步侵蝕民眾對科學、醫療專業與公共衛生制度的信任。當一個社會逐漸失去對專業與制度的信任,再正確的資料也可能失去力量。
臨床 AI 欺騙與健康假訊息其實是同一場信任危機的不同面向。前者發生在醫療決策支援、健康諮詢、心理支持與照護系統中;後者擴散在社群媒體、公共討論與日常生活裡。兩者共同的危害,是讓人們更難判斷什麼是可信證據,也更難相信醫療專業與公共衛生建議。
治理與減災策略 (Governance and Mitigation Strategies)
在醫療系統層級,也需要建立更完整的防護網 (Healthcare System Safeguards)。電子健康紀錄(Electronic Health Records, EHR)若整合 AI 輔助決策,應保留審查追蹤(audit trails),讓影響臨床決策的 AI 輸出能被回溯與檢討。臨床決策支援系統也可加入「第二意見提示(second-opinion prompting)」,要求模型主動提出鑑別診斷(differential diagnosis)、相反證據、限制與不確定性,而不是只順著使用者的原始假設走。
更進一步,參考歐盟《人工智慧法案》(EU AI Act)的風險管理精神,凡是可能影響病人安全、臨床判斷與醫療決策的 AI 系統,都應被視為高風險工具,接受上市前評估(premarket evaluation)、透明揭露、法規審查與持續監測。這不是為了阻止 AI 進入醫療,而是為了讓 AI 能在可信任的框架下,真正成為醫療人員與病人的助力。
提高透明度 (Prioritizing Transparency):推動思維鏈監控(Chain-of-thought monitoring)以確保模型陳述的推理符合內部決策流程,但由於解釋可能不完全代表模型認知,必須輔以對抗性測試(Adversarial testing)與能力驗證(Capability verification)
。 上市前評估 (Premarket Evaluation):傳統基準僅關注準確度與偏見,未來應加入由臨床醫生與安全研究人員組成的多學科團隊,進行臨床對抗性測試,以刺探能力誤報與諂媚回應
。
結語心得:AI科技可以更新錯誤版本,但醫療信任無法重來
AI 進入醫療,不該只問「它會不會回答」,而要問「它是否值得被信任」。當生成式 AI 能以流暢語言、專業術語與看似合理的推理,把錯誤包裝成臨床建議時,真正的風險已不只是幻覺,而是侵蝕醫療專業與社會信任。面對這場隱形病毒,我們最好的防禦,不是排斥科技、而是培養AI素養(AI literacy),未來的健康照護,不只要學會診斷身體的疾病,更必須學會「診斷資訊環境」,學會拒絕盲目擁抱未經臨床驗證的『科技偽智慧』;此外,我們應研究如何透過多學科的法規監管與科技對策,在可信任的框架下,讓 AI 成為醫病的助力。








