為什麼寫這篇
今天，我想從「知識」的角度重新理解 AI。
PS: 這篇文章，在國外有引起一些討論，絕大部分的學者，包括 Cynefin Framework 的作者 Dave Snowden 都是認可的，但是在國內某研討會投稿被拒絕了。所以，大家斟酌看吧。我拆成三篇，這是其中的一篇，有人看我再繼續 PO，排版也是很累的。
最近我發表了一些關於 AI 的觀察與提醒，有些朋友因此誤以為我是在反對 AI。 事實上，我很早就投入 AI 的應用與研究。只是當外界一面倒地追捧 AI 時，我選擇退一步，從不同面向重新思考它的本質與定位。
這篇文章聚焦在一個核心問題：
AI 在人類知識結構中，究竟扮演什麼角色？
我想透過 DKIW 知識金字塔（Knowledge Pyramid）這個模型，釐清 AI 的運作邏輯、理解它在知識體系中的位置，以及那些「人類無法被取代」的部分。 這些正是 AI 時代，人類自我提升與努力的關鍵所在。
同時，我也希望我們不要對 AI 抱持過度的期待或恐懼。
理解它，面對它，善用它，治理它。
1️⃣ 利用 DIKW 模型幫助我們理解什麼是「智慧」
DIKM 模型是知識管理與資訊科學領域中的一個常見階層模型，代表：Data → Information → Knowledge → Wisdom
- Data（資料）：尚未整理的觀察與測量
- Information（資訊）：具脈絡與意義的資料
- Knowledge（知識）：可應用的理解模式
- Wisdom（智慧）：基於價值與判斷的抉擇能力
這個模型也叫做 知識金字塔（Knowledge Pyramid） 或 智慧階梯（Wisdom Hierarchy），用來說明從原始資料到高層次智慧的轉化過程。
這模型也讓我們看清楚一件事：智慧並不是資料處理的終點，而是價值判斷的起點。
但是，在台灣，有個很傷筋的事，我們常將「智慧」與「智力」混用。
我們將 Artificial Intelligence 翻譯成人工智慧，將 Smart Phone 翻譯成智慧型手機。但是它們是不同概念，尤其我們在面對知識體系衝擊時，更需要明確的界定：
👉 智力（Intelligence），指的是處理資訊、推理、學習與分析的能力。它可以訓練、可以測量，也可以模擬。像是記憶、邏輯推演、歸納能力，這些都是 AI 擅長的領域。
👉 智慧（Wisdom），則是一種整合了價值觀、情境理解、經驗沉澱與判斷的能力。它不只是會做選擇，更是知道什麼時候不該選、什麼事情不該做，也能看出人與人之間的關聯、影響與後果。
簡單說：
智力只管「能不能做」；智慧則會問「該不該做」
或者可以說
Intelligence: Do the thing right; Wisdom: Do the right thing.
智慧（Wisdom）包含價值判斷、道德責任與人性洞察，AI 確實展現出強大的智力，但它缺乏智慧。因此，「人工智慧」這個翻譯並不恰當，應稱為人工智能或人工智力才更準確。
科學家花費很多時間、財力去研究，才證明依賴 AI 會讓自己變笨。我媽媽從小就告訴我「抄別人的作業，自己怎麼學得會」她沒讀什麼書，智力遠不如這些科學家，但是她的智慧卻遠勝過這些科學家。
2️⃣ DIKW 模型無法定位 AI 的角色
Intelligence 並不屬於 DIKW 金字塔的一部分，我試著尋找適當的位置，將 AI 放入其中，會發現它的位置與角色極其模糊且矛盾：AI 並不是從資料出發、逐層走向智慧的存在。它反而是：
- 使用既有的知識模型（K）
- 對人類餵給它的資料（D）進行處理
- 產出語意連貫的資訊（I）
DKIW：Data → Knowledge → Information → Wisdom
也就是說：
「資訊」不是從「資料」自然演化而來的，而是靠「知識」去詮釋資料，才有「資訊」的產生。
這樣的理解也與知識理論學者 Dave Snowden 的觀點不謀而合。他曾指出：
My position was that knowledge is the means by which data becomes information, and that knowledge exists on a spectrum between tacit and explicit. — 《Cynefin: A Tale That Grew in the Telling.》P.42
這句話，本身就打破了 DIKW 的直線層級邏輯。
也就是說：資訊的產生，仰賴知識的解釋與加工，而不是資料的堆疊。
不過，我覺得 Dave Snowden 應該不滿意這個架構，他應該會比較喜歡 DKIM，Meaning，而不是 Wisdom。😏
改成這個結構之後，我們就能真實的反映了 AI 的工作路徑：
AI 是運用「知識」將「資料」轉化為「資訊」的系統
而所謂的「知識」就是所謂的「模型」（Model），也就是人類事先整理好、餵給 AI 的大量知識。
我常說：「訓練模型，其實就是 AI 的職業訓練。」
- 你餵它很多卡通圖片，它就能畫出那種風格。
- 你餵它大量音樂素材，它就會開始作詞作曲。
- 你餵它一堆法律文書，它就會瞎掰一些判例給你。
3️⃣ AI 處理的是知識與資訊，無法主動建構資料與判斷智慧
從 DKIW 的結構來看，AI 處理的是中段（Knowledge → Information）：- 它可以應用知識
- 它可以生成資訊
- 但它無法主動理解資料的脈絡與價值，更無法進行判斷
AI 為什麼無法「處理」 Data？
技術上，AI 確實會接收資料（data）作為輸入，並進行處理。 但這些資料都是人類預先收集、整理、標註與分類的。AI 本身沒有感官、沒有觀察能力、也無法主動決定資料的意義。AI 不是觀察者，而是使用既定知識來「轉譯」資料成資訊的系統。 它無法決定看什麼，更無法理解「為什麼要看這個」。
AI 為什麼無法處理 Wisdom？
AI 沒有價值觀，也無法承擔選擇後的責任。 它不會懷疑任務、不會質疑輸出目標，也無法思考行動的意義。它只會根據預設目標與訓練邏輯，產出最佳化結果， 卻無法回答「這樣做是否應該」「為誰做」「要不要停」。
因此：
AI 是知識的執行器，不是判斷的主體。 它可以做事，但不會選擇為何而做。
或許你會說：「會呀，AI會判斷啊，它也會懷疑、拒絕任務，不合理的他不會做啊！有時候我叫它畫圖，它也會告訴我違反規定，拒絕執行」。
是的，但是，是否違反規定，什麼時候該拒絕，那也是人類事先告訴它的，不是它自己判斷的。
4️⃣ 即使是 AI Agent，本質上也只是知識的自動調度器
隨著 AutoGPT、BabyAGI、Open Interpreter 等「AI Agent」的出現，許多人開始以為 AI 已經具備主動性，甚至有「選擇能力」。但實際上，這些系統仍只是：
- 多模組協作的知識應用機制
- 任務目標與評估標準由人類事先定義
- 執行與調整依賴內部演算法的最適化邏輯
所謂的「Agentic AI」，只是知識流程的自動化延伸，不是真正的代理人。
✅ 小結
1️⃣ DIKW 模型說明智慧的層次，也讓我們理解 AI 不應稱作「人工智慧」2️⃣ AI 的角色更適合用 DKIW 描述，它是知識驅動的資訊生成器
3️⃣ AI 無法主動處理資料（D），也無法承擔抉擇與價值判斷（W）
4️⃣ 就算是 AI Agent，本質仍是自動化工具，而非主體性存在
這就是我為什麼從知識面談 AI。
不是為了批評技術，而是希望我們在應用它之前，先搞清楚它是什麼，不是什麼。
在所有 AI 產品名稱中，我最喜歡微軟的命名： Copilot
是的，它就是 Copilot 。
如果你也關注 AI 的角色與限制，歡迎一起討論。
