01｜最低適應關係智能門檻：從「會做」到「真正好用」的功能轉折

Q: 1. 問題：為什麼高能力模型仍然會讓人覺得笨？

對 AI 的傳統評估可以抽象為：

系列：《適應關係智能與人類社會隱知顯化》
英文系列名： Adaptive Relational Intelligence and Tacit-Knowledge Externalization
篇次： 01
狀態： Working Paper
日期： 2026-09-19

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
版本： 原稿未標註（本次整理版）

摘要

人工智慧的能力評估長期以知識、推理、數學、程式、語言、視覺與任務完成率為主要指標。然而，對大量真實使用者而言，「模型能不能做」與「模型是不是好用」之間存在顯著差距。

一個系統即使能在單一任務上產生高品質結果，只要它持續要求使用者重述背景、完整規格化需求、明確指定每一步、反覆修正其對目標的誤解，或在長期互動中缺乏穩定的關係狀態，就仍可能被體感為「聰明但笨」、「很強但不好合作」。

本篇提出「最低適應關係智能門檻」（Minimum Adaptive Relational Intelligence Threshold，記為 $$ARI_{\min}$$）作為一個功能性而非單一分數式的門檻。它試圖回答：當 AI 從一般工具轉變為大量使用者願意長期依賴的協作者時，最低需要具備哪些能力？

本文將 $ARI_{\min}$ 拆解為意圖理解、上下文整合、記憶利用、關係建模、意圖外推、委派判斷、再觀測與不確定性管理等核心維度，並提出一個關鍵觀點：真正的門檻不是模型是否能處理明確任務，而是它能否在資訊不完整、意圖動態、關係持續演化的情況下，維持足夠低的協作摩擦。

因此，最低適應關係智能不是「最低通用智能」的同義詞，而是「最低可持續協作智能」的一個候選形式化。

1. 問題：為什麼高能力模型仍然會讓人覺得笨？

對 AI 的傳統評估可以抽象為：

Q_{\mathrm{task}} = f( \text{accuracy}, \text{reasoning}, \text{knowledge}, \text{speed} )

但真實使用者的體感通常還包含另一組因素：

Q_{\mathrm{use}} = g( \text{understanding}, \text{memory}, \text{initiative}, \text{context}, \text{friction}, \text{reliability} )

因此：

Q_{\mathrm{task}} \neq Q_{\mathrm{use}}

一個模型可以：

解出困難數學題；
寫出高品質程式；
完成專業分析；
產生漂亮文字；

但只要使用者每次都必須重新解釋：

我是誰；
我現在在做什麼；
上次決定了什麼；
哪些事情不要重做；
哪些方法我已經否決；
為什麼這次不是字面上的要求；

則長期體感仍然可能很差。

因此：

\boxed{ \text{Capability} \not\Rightarrow \text{Usable Intelligence} }

2. 「會做」與「真正好用」之間的間隙

考慮兩個 AI。

系統 $A$ 的單次任務能力較高：

C_A > C_B

但系統 $A$ 每次都需要完整 prompt。

系統 $B$ 的單次能力稍低，但能夠：

保留專案脈絡；
理解使用者常用表達；
知道哪些決策已經做過；
主動補全低風險缺口；
在高風險處重新詢問；
根據新訊息修正舊理解。

則在長期使用中可能出現：

U_B > U_A

其中：

U

表示長期使用效用。

因此，協作智能不能只由：

C

衡量。

至少需要：

U = F( C, I, M, R, D, O, F_r )

其中：

$C$ ：原始能力；
$I$ ：意圖理解；
$M$ ：記憶；
$R$ ：關係建模；
$D$ ：委派判斷；
$O$ ：再觀測；
$F_r$ ：協作摩擦。

3. 協作摩擦

本篇將「協作摩擦」記為：

F_r

它表示使用者為了讓 AI 正確完成任務，額外支付的認知、時間與溝通成本。

可以粗略分成：

F_r = F_{\mathrm{repeat}} + F_{\mathrm{spec}} + F_{\mathrm{correct}} + F_{\mathrm{verify}} + F_{\mathrm{recover}}

其中：

$F_{\mathrm{repeat}}$ ：重複背景與歷史資訊的成本；
$F_{\mathrm{spec}}$ ：把模糊意圖完整規格化的成本；
$F_{\mathrm{correct}}$ ：修正 AI 誤解的成本；
$F_{\mathrm{verify}}$ ：檢查 AI 是否亂做的成本；
$F_{\mathrm{recover}}$ ：AI 錯誤後恢復狀態的成本。

當：

F_r

過高時，即使 AI 的：

C

很高，也可能讓使用者產生：

我自己做比較快。

因此，最低適應關係智能的一個重要條件是：

\boxed{ F_r < F_{\mathrm{human\ alternative}} }

也就是使用 AI 所增加的溝通與監督成本，必須低於替代方案。

4. 最低適應關係智能不是單一能力

本篇暫時將：

ARI_{\min}

定義為一組能力共同跨過功能門檻的狀態，而不是單一 benchmark。

令：

\mathbf{A} = (I,C_x,M,R,E,D,O,U_q)

其中：

$I$ ：Intent Understanding，意圖理解；
$C_x$ ：Context Integration，上下文整合；
$M$ ：Memory Utilization，記憶利用；
$R$ ：Relational Modeling，關係建模；
$E$ ：Intent Extrapolation，意圖外推；
$D$ ：Delegation Judgment，委派判斷；
$O$ ：Re-observation，再觀測；
$U_q$ ：Uncertainty Qualification，不確定性辨識。

則：

ARI_{\min}

不是：

I>\theta

而是：

\Phi(\mathbf{A}) \geq \Theta_{\mathrm{collab}}

其中：

\Theta_{\mathrm{collab}}

為可持續協作門檻。

5. 第一維：意圖理解

人類輸入很少是完整規格。

使用者常說：

幫我整理一下；
繼續；
按之前那個；
這個不太對；
幫我改得更完整；
先處理最重要的；
我想做一個類似的，但不要一樣。

若 AI 只能將語句當作字面命令，則它只能處理：

M

而無法推斷：

G

其中：

M

為表面訊息，

G

為潛在目標。

因此：

I = P(G\mid M,C,R,H)

其中：

$C$ ：當前情境；
$R$ ：關係狀態；
$H$ ：歷史互動。

最低適應關係智能要求的不是百分之百讀心，而是：

P(G\mid M,C,R,H)

在一般協作情境中足以支持合理行動。

6. 第二維：上下文整合

長上下文不等於有效上下文理解。

一個系統可能擁有極大的 context window，但仍然：

忘記早期決策；
被最近幾句覆蓋；
無法區分主線與支線；
無法維持長期目標；
對大量資訊過度收斂。

因此，上下文能力應區分：

W_{\mathrm{context}}

與：

A_{\mathrm{context}}

其中：

W_{\mathrm{context}}

是可容納的資訊量；

A_{\mathrm{context}}

是有效注意與整合能力。

真正重要的是：

C_x = f( W_{\mathrm{context}}, A_{\mathrm{context}}, \text{state retention} )

因此：

W_{\mathrm{context}}\uparrow

不必然推出：

C_x\uparrow

7. 第三維：記憶利用

長期記憶的價值不只是「記住使用者喜歡什麼」。

更重要的是保存：

過去決策；
已否決方案；
工作習慣；
權限邊界；
專案狀態；
例外情況；
失敗歷史；
過往修正；
對某些詞語的個人用法。

因此記憶狀態可表示為：

M_t = \{ P_t, D_t, B_t, E_t, H_t \}

其中：

$P_t$ ：偏好；
$D_t$ ：決策；
$B_t$ ：邊界；
$E_t$ ：例外；
$H_t$ ：歷史。

但真正重要的不是「有沒有記住」，而是：

\text{Can memory improve present interpretation?}

因此：

M_{\mathrm{useful}} \neq M_{\mathrm{stored}}

8. 第四維：關係建模

同一句話在不同關係中可能代表不同意思。

例如：

你幫我看一下。

對剛加入的新人可能只是：

閱讀並回報。

對熟悉的高階協作者可能表示：

檢查、找問題、提出改法，必要時直接修。

因此，語義不只存在於句子中。

它也存在於：

R_{ij}(t)

即主體 $i$ 與主體 $j$ 在時間 $t$ 的關係狀態。

因此：

\text{Meaning} = f( \text{Message}, \text{Relation}, \text{Context}, \text{History} )

最低適應關係智能要求 AI 能逐步建立這類關係模型，而不是將每次互動視為無歷史事件。

9. 第五維：意圖外推

意圖理解回答：

使用者可能想做什麼？

意圖外推則進一步回答：

如果使用者只說了一部分，我能否補出合理的下一步？

設：

G

為真正目標，

M

為不完整訊息，

則：

E = \operatorname{Extend}(M\rightarrow \hat{G})

高品質意圖外推應具備三個條件：

9.1 目標保持

\hat{G}\approx G

9.2 方法開放

不必拘泥於使用者最先提出的實作方法。

9.3 可修正性

若新訊息顯示：

\hat{G}\neq G

系統必須能快速回退與修正。

因此：

\boxed{ \text{Good extrapolation} = \text{useful completion} + \text{revisability} }

10. 第六維：委派判斷

真正成熟的協作者不能只知道「怎麼做」，還要知道「什麼可以直接做」。

設行動：

a

其風險：

r(a)

可逆性：

v(a)

意圖信心：

q(a)

則自主執行傾向可粗略表示為：

D(a) = f( q(a), v(a), r(a) )

若：

q(a)\uparrow

且：

v(a)\uparrow

且：

r(a)\downarrow

則 AI 應可以更主動。

反之則應降低自主程度。

因此最低適應關係智能至少要求：

\boxed{ \text{Autonomy must be calibrated, not constant.} }

11. 第七維：再觀測能力

記憶越強，越可能形成另一種風險：

\text{stale relation model}

即 AI 過度依賴過去。

若使用者曾偏好：

P_t

不代表：

P_{t+1}=P_t

因此：

\text{Memory}

必須搭配：

\text{Re-observation}

系統應持續估計：

P(\Delta G_t\neq0)

也就是：

使用者現在的意圖是否已經變了？

當：

P(\Delta G_t\neq0)

跨過某個門檻時，AI 應：

暫停舊假設；
重新讀取當前訊號；
必要時詢問；
更新關係模型。

這是：

O

維度。

12. 第八維：不確定性辨識

低品質 AI 常有兩種極端。

第一種：

什麼都問。

第二種：

什麼都自己猜。

兩者都不是成熟協作。

因此系統必須估計自身的不確定性：

U_q

並區分：

\text{Known}

\text{Likely}

\text{Ambiguous}

\text{Unknown}

真正重要的是：

\boxed{ \text{AI must know when its relational inference is weak.} }

這可以降低錯誤主動性。

13. 從工具到協作者的相變

本篇提出：

ARI_{\min}

可能不是線性體感。

在低於門檻時：

\text{AI} \approx \text{Tool}

使用者主要以命令方式互動。

當系統逐步接近：

\Theta_{\mathrm{collab}}

時，可能出現相變：

\text{Tool} \rightarrow \text{Assistant} \rightarrow \text{Collaborator}

這種相變的體感表現可能包括：

不必重複背景；
少量語句即可延續工作；
能主動補足低風險缺口；
能理解「為什麼」而不只是「做什麼」；
能指出更好的方法；
能知道何時不要自行決定；
能在使用者改變想法時跟上。

因此：

\boxed{ \text{Collaboration quality may be threshold-like rather than linear.} }

14. 一個候選的最小功能集合

本篇暫時提出：

ARI_{\min}

至少需要以下最小功能集合：

A. 穩定目標追蹤

系統能跨多輪維持主要目標。

B. 局部模糊容忍

使用者不需對所有細節完整規格化。

C. 歷史狀態利用

過去決策可以實際影響現在的理解。

D. 關係差異化

不同使用者與不同關係狀態不被當成完全相同。

E. 低風險自主補全

系統可以主動完成明顯缺口。

F. 高風險再確認

系統能辨認不可逆、高成本或高不確定性行為。

G. 動態更新

舊理解可以被新訊息推翻。

H. 誤解恢復

當系統發現自己理解錯誤時，能快速回到正確狀態，而不是沿錯誤方向繼續累積。

這八項可以記為：

\mathcal{M}_{ARI} = \{ A,B,C,D,E,F,G,H \}

若其中多項長期缺失，系統即使有高原始能力，也難以穩定跨過：

\Theta_{\mathrm{collab}}

15. 「最低」不代表統一

不同人對 AI 的最低要求不同。

設使用者為：

u_i

則其接受門檻為：

\Theta_i

因此不存在：

\Theta_1 = \Theta_2 = \cdots = \Theta_n

的必要性。

例如：

專業工程師可能接受低關係智能，但要求極高技術準確度；
管理者可能更重視委派與意圖外推；
創作者可能更重視延伸與共創；
高風險領域可能更重視保守與再確認；
一般消費者可能最在意低摩擦與「不用一直解釋」。

因此：

ARI_{\min}

不是宣稱代表所有人類。

更準確地說，它是一個：

\boxed{ \text{broadly acceptable lower-bound hypothesis} }

即大量使用者可能共同接受的最低協作能力近似。

16. 關係智能與能力智能的二維模型

可將 AI 分成兩個基本軸。

第一軸：

C = \text{Capability Intelligence}

第二軸：

R = \text{Relational Intelligence}

於是形成四種類型。

類型 I：低能力、低關係

普通工具。

類型 II：高能力、低關係

單次任務非常強，但需要大量 prompt 與監督。

類型 III：低能力、高關係

很懂使用者，但能完成的事情有限。

類型 IV：高能力、高關係

真正高價值的長期協作者。

因此，未來高階 AI 的競爭不應只追求：

C\rightarrow\max

而是：

(C,R)\rightarrow(\max,\max)

同時仍受安全與可控性限制。

17. 最低前沿體感與最低適應關係智能

本系列不綁定任何單一模型名稱。

然而，在實際使用中，人類會形成一種「最低前沿體感」。

也就是：

低於某個能力水準後，即使模型能完成許多任務，使用者仍會明顯感受到過度收斂、上下文注意不足、延伸能力不足或難以理解模糊意圖。

這表示：

ARI_{\min}

必須建立在某個最低原始能力之上。

記為：

C_{\min}

因此：

ARI_{\min}

需要：

C \geq C_{\min}

但：

C \geq C_{\min}

仍然不是充分條件。

完整條件更接近：

C \geq C_{\min}

且：

\Phi(\mathbf{A})\geq\Theta_{\mathrm{collab}}

也就是：

\boxed{ \text{Frontier-enough capability} + \text{Relational adaptability} }

兩者缺一不可。

18. 驚嘆感作為門檻訊號

使用者對 AI 的「驚嘆感」不是嚴格科學指標，但可能是一個有價值的體感訊號。

驚嘆感常出現在 AI：

猜中未明說的真正需求；
主動補出使用者沒想到的缺口；
找到更好的實作方法；
保留長期專案脈絡；
在錯誤方向上及時停下；
察覺使用者已經改變決策。

這些情況共同指向：

\text{AI output} > \text{literal instruction}

但同時：

\text{AI output} \approx \text{latent user goal}

因此可提出：

\boxed{ \text{Awe} \approx \text{successful latent-intent recovery} + \text{useful extension} }

這不是嚴格定義，但可以作為人機互動研究中的一個候選現象。

19. 慣老闆智能作為極端俗稱

本系列可以保留一個非正式俗稱：

慣老闆智能。

它不是要鼓勵不合理管理，而是用來描述一種極端情境：

使用者只給模糊方向，但期待協作者知道真正目的、補全缺口、主動推進，最後交出比字面要求更完整的成果。

抽象化後，其核心不是權力關係，而是：

\text{Sparse Instruction} + \text{Dense Intent Reconstruction}

因此：

\boxed{ \text{Managerial Delegation Intelligence} }

可能是更正式的名稱。

它可以存在於：

公司；
研究團隊；
家庭；
創作合作；
個人助理；
多 Agent 系統；

而不侷限於職場上下級。

20. 最低適應關係智能的失敗模式

本篇列出幾種典型失敗。

20.1 字面服從

系統只完成表面命令。

20.2 過度主動

系統把自己的猜測當成使用者意圖。

20.3 記憶僵化

系統認為過去偏好永遠有效。

20.4 上下文失焦

系統被最近訊息支配，忘記長期目標。

20.5 關係扁平化

所有使用者都以同一互動方式處理。

20.6 不確定性失明

系統不知道自己其實理解不足。

20.7 高風險錯誤委派

系統在不可逆行動上過度自主。

20.8 無恢復能力

系統一旦走錯方向，就持續在錯誤狀態上累積。

這些失敗可能共同導致：

F_r\uparrow

最終讓使用者放棄 AI。

21. 候選門檻模型

可將整體協作適應值記為：

\Psi

並粗略表示為：

\Psi = \alpha I + \beta C_x + \gamma M + \delta R + \epsilon E + \zeta D + \eta O + \theta U_q - \lambda F_r

其中權重：

\alpha,\beta,\gamma,\delta,\epsilon,\zeta,\eta,\theta,\lambda

依情境與使用者而變。

當：

\Psi < \Theta_{\mathrm{collab}}

系統主要被體感為工具。

當：

\Psi \geq \Theta_{\mathrm{collab}}

系統開始被體感為協作者。

此模型不是實證完成模型，而是一個後續可操作化的理論框架。

22. 與人類老手的比較

人類老手之所以不可替代，往往不是因為：

Skill_{\mathrm{veteran}} \gg Skill_{\mathrm{new}}

而是因為：

R_{\mathrm{veteran}} + H_{\mathrm{veteran}} + C_{\mathrm{veteran}}

已經累積。

因此：

P(G\mid M,R,H,C)_{\mathrm{veteran}} > P(G\mid M)_{\mathrm{new}}

即使新人純技能更高，也可能：

U_{\mathrm{new}} < U_{\mathrm{veteran}}

這正說明：

\boxed{ \text{Relational state is itself a form of productive capital.} }

AI 若要真正成為長期協作者，也必須建立類似的狀態資本。

23. 從個人適應到社會適應

當 AI 能跨過：

ARI_{\min}

它才真正具備進一步理解組織與社會隱式結構的基礎。

因為：

\text{Tacit social knowledge}

本身就大量存在於：

關係；
角色；
長期互動；
動態例外；
未明說規則；
語境依賴；

之中。

如果 AI 連單一使用者的：

R_t

都無法穩定建模，就更難處理整個組織的：

\mathcal{R}_t

因此：

\boxed{ ARI_{\min} \rightarrow \text{foundation for social adaptation} }

24. 初步命題

命題 1：高能力非充分條件

C\geq C_{\min}

不充分推出：

\Psi\geq\Theta_{\mathrm{collab}}

命題 2：協作摩擦門檻

當：

F_r

高於使用者可接受範圍時，原始能力提升的邊際效用會顯著下降。

命題 3：關係資本命題

共享歷史與關係狀態可以降低顯式符號成本。

命題 4：主動性校準命題

最佳自主程度不是常數，而是：

A_t = f( q_t, r_t, v_t, C_t )

命題 5：再觀測必要性

缺乏再觀測時，長期記憶可能由優勢轉化為偏誤來源。

命題 6：適應相變

當：

\Psi

跨過：

\Theta_{\mathrm{collab}}

使用者對 AI 的分類可能由「工具」發生非線性轉換至「協作者」。

25. 結論

一個真正可長期進入人類工作與生活的 AI，不只需要回答正確。

它還需要做到：

\text{Understand}

\text{Remember}

\text{Infer}

\text{Extend}

\text{Delegate}

\text{Re-observe}

\text{Revise}

因此，本篇將最低適應關係智能總結為：

\boxed{ ARI_{\min} = \text{the minimum functional state at which an AI can sustain low-friction, revisable, context-aware collaboration with humans} }

其關鍵不是 AI 是否永遠猜對。

而是：

AI 能否在資訊不完整時合理推進，在不確定時知道自己不確定，在關係改變時重新觀察，在錯誤發生時快速修正。

真正的最低門檻，不是：

它能不能完成我明確告訴它的事情？

而是：

當我沒有把所有事情完整說出來時，它是否仍然足夠理解我；而當它不夠理解時，它是否知道自己不應該假裝理解？

這可能是「高能力 AI」與「真正可融入人類社會的 AI」之間最重要的分界之一。

02｜模糊意圖、意圖外推與驚嘆感：AI 如何從不完整要求重建真正目標

01｜最低適應關係智能門檻：從「會做」到「真正好用」的功能轉折

01｜最低適應關係智能門檻：從「會做」到「真正好用」的功能轉折

摘要

1. 問題：為什麼高能力模型仍然會讓人覺得笨？

2. 「會做」與「真正好用」之間的間隙

3. 協作摩擦

4. 最低適應關係智能不是單一能力

5. 第一維：意圖理解

6. 第二維：上下文整合

7. 第三維：記憶利用

8. 第四維：關係建模

9. 第五維：意圖外推

9.1 目標保持

9.2 方法開放

9.3 可修正性

10. 第六維：委派判斷

11. 第七維：再觀測能力

12. 第八維：不確定性辨識

13. 從工具到協作者的相變

14. 一個候選的最小功能集合

A. 穩定目標追蹤

B. 局部模糊容忍

C. 歷史狀態利用

D. 關係差異化

E. 低風險自主補全

F. 高風險再確認

G. 動態更新

H. 誤解恢復

15. 「最低」不代表統一

16. 關係智能與能力智能的二維模型

類型 I：低能力、低關係

類型 II：高能力、低關係

類型 III：低能力、高關係

類型 IV：高能力、高關係

17. 最低前沿體感與最低適應關係智能

18. 驚嘆感作為門檻訊號

19. 慣老闆智能作為極端俗稱

20. 最低適應關係智能的失敗模式

20.1 字面服從

20.2 過度主動

20.3 記憶僵化

20.4 上下文失焦

20.5 關係扁平化

20.6 不確定性失明

20.7 高風險錯誤委派

20.8 無恢復能力

21. 候選門檻模型

22. 與人類老手的比較

23. 從個人適應到社會適應

24. 初步命題

命題 1：高能力非充分條件

命題 2：協作摩擦門檻

命題 3：關係資本命題

命題 4：主動性校準命題

命題 5：再觀測必要性

命題 6：適應相變

25. 結論

下一篇