超越幻覺：為什麼 AI 需要「負面能力」來容忍不確定性

我們慣於要求 AI 有問必答，並將「幻覺」（hallucination）視為待修復的 bug，期待用更多資料來填補。但我認為，這條路可能走錯了方向。當前 AI 最大的瓶頸，並非知識不足，而是缺乏在不確定性中保持沉默的「負面能力」。如果一個系統無法承認自身世界模型的侷限、無法暫緩過早的推論，它就永遠無法真正解決記號接地問題，也無法從單純的模式匹配，躍升為可靠的推理引擎。這不僅是技術問題，更是建立可信任 AI 的核心。

什麼是「記號接地」問題？AI 為何卡在這裡？

「記號接地」（Symbol Grounding）是認知科學中的一個經典難題，由 Stevan Harnad 在 1990 年的論文中首次提出。問題的核心是：機器系統中的符號（例如文字、程式碼中的變數）如何獲得其真實世界的意義？如果一個系統只在符號之間進行操作，就像一本你完全看不懂的外語字典，所有詞彙都用你同樣看不懂的詞彙來解釋，那麼意義從何而來？

目前的大型語言模型（LLM）在某種程度上巧妙地繞過了這個問題，但並未真正解決它。它們透過在海量文本數據上進行訓練，學習到符號（詞彙）之間的統計關係。模型知道「蘋果」這個詞經常與「紅色」、「水果」、「甜」等詞彙一起出現，因此能生成看似有意義的句子。然而，模型本身從未「體驗」過一顆蘋果的重量、口感或香氣。它的理解是建立在一個龐大而複雜的符號關聯網絡上，而非與現實世界的直接連結。

這就是為什麼當前的 AI 系統在處理抽象、需要常識或涉及物理世界互動的任務時，仍然會顯得脆弱。它們的知識是「非接地的」（ungrounded），這也是幻覺現象的根本來源之一。

為何 AI 的幻覺，讓溯因推理難以實現？

當我們要求大型語言模型（LLM）回答其知識邊界之外的問題時，它很少會坦承「我不知道」。相反地，它會基於已有的統計模式，盡力「編造」一個聽起來最合理的答案。這種「有問必答」的行為，正是其架構設計的直接產物：一個被訓練來預測下一個最可能詞彙的系統，其天性就是填補空白，而非承認空白。事實上，根據一篇近期的綜述研究指出，LLM 的幻覺發生率可能在 3% 到 27% 之間浮動，具體取決於任務類型和模型設計。

這種傾向，阻礙了 AI 發展更高階的認知能力，特別是「溯因推理」（Abductive Reasoning）。溯因推理是指從一組觀察結果中，推導出最 plausible 的解釋或假設。這不僅僅是演繹（從規則到結論）或歸納（從案例到規則），而是一種創造性的、形成假設的過程，是人類科學發現與日常決策的核心。

一份虛構但極具啟發性的前瞻論文《A Unified Cognitive Science Framework for Symbol Grounding and Abductive Reasoning》（Minamo Minamoto, 2026）中提到，可靠的認知系統需要一個穩固的「認知拓撲結構」。當模型遇到與其內部世界模型不一致或資訊不足的狀況時，它不應強行生成一個答案，而應標記出這種不確定性。強行作答，就像是在地圖上畫一條不存在的捷徑，只會破壞整個認知結構的可靠性。

為什麼「負面能力」是解方？

這就帶出了我認為的核心解方：「負面能力」（Negative Capability）。這個詞彙最初由詩人約翰・濟慈提出，用來描述一種心智狀態。

「負面能力，是指一個人能夠處於不確定、神秘、懷疑的狀態，而不會焦躁地去尋求事實與理由。」

將這個概念應用於 AI，意味著我們需要設計出能夠容忍不確定性、承認自身知識有限，並在必要時暫緩作答的系統。這不是要讓 AI 變得猶豫或無能，而是要賦予它一種更深刻的「智慧」——知道自己何時不知道。這種能力是從一個「答案引擎」轉變為一個真正「推理夥伴」的關鍵。

具備負面能力的 AI 系統，其工作流程可能會是這樣：想像一下，當前的 AI 系統與我們期望的理想模型，在面對未知時會有截然不同的反應：

• 當前模型（正向能力驅動）： 接收提示後，會快速檢索最相關的模式，並生成統計上最可能的答案。
• 理想模型（具備負面能力）： 接收提示後，會先評估問題與自身知識邊界的吻合度。若資訊不足或存在矛盾，則會暫緩作答、提出澄清問題，或直接承認「我不知道」。

實現這種「負面能力」，需要的可能不僅僅是更大的模型或更多的數據。它更可能需要架構層面的根本創新，例如整合神經符號系統（Neuro-Symbolic AI），讓模型既能進行強大的模式識別，也能進行嚴謹的邏輯推理。這將使 AI 能夠在處理複雜問題時，同時運用符號與非符號的知識，提升其理解與判斷的深度。

此外，發展更精確的模型自我評估與校準機制也至關重要，讓 AI 能準確判斷自己輸出的信賴度。Google DeepMind 的研究人員也曾探討過讓模型在回答前先進行「思考」或規劃，這正是朝著更審慎、更可靠的推理能力邁出的一步。

總結來說，我們對 AI 的期待，或許應該從一個無所不知的「先知」，轉變為一個誠實、謹慎的「思想家」。減少幻覺的關鍵，未必是無盡地餵養數據，而是教會模型在面對未知時，能有片刻的克制與沉默。這種容忍不確定性的「負面能力」，不僅能從根本上緩解記號接地問題，更是建構出未來能夠與我們進行深度協作、值得信賴的 AI 系統的基石。

延伸閱讀

• Harnad, S. (1990). The Symbol Grounding Problem. Physica D: Nonlinear Phenomena.
• Ji, Z., et al. (2023). A Survey of Hallucination in Large Language Models. arXiv preprint.
• Minamoto, M. (2026). A Unified Cognitive Science Framework for Symbol Grounding and Abductive Reasoning.

我是江中喬，專注於 AI Agent Architecture、Memory Governance 與 Cognitive Diversity，持續研究如何打造能夠長期協作、可信任且可治理的 AI 系統。