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

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： 02
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

人類溝通很少是完整規格傳輸。即使在專業工作中，使用者、管理者、研究者、創作者與協作者也經常以壓縮、模糊、局部、情境化的方式傳達需求。這不是單純的溝通缺陷，而是人類協作中普遍存在的符號成本控制機制。

因此，一個真正可長期協作的 AI 不應只具備「理解明確指令」的能力，還需要具備從局部表達中重建潛在目標、辨識方法與目的之間差異、推測合理下一步、提出更佳替代方案，並在不確定性上升時降低自主程度的能力。

本篇將這種能力稱為「意圖外推」（Intent Extrapolation），並將其與單純的語義理解、任務規劃、偏好記憶與主動性區分開來。本文進一步提出，許多人類對高階 AI 產生的「驚嘆感」，並不只來自答案正確，而來自系統成功恢復了使用者未完整表達的目標，甚至提出比使用者原始方法更好的實現方式。

然而，意圖外推同時伴隨重大風險：系統可能把自己的猜測誤認為使用者意圖。本篇因此提出「意圖保持型偏離」與「意圖破壞型偏離」的區分，並進一步建立可逆性、不確定性、關係歷史與行動風險共同決定自主程度的基本框架。

1. 人類意圖通常不是完整規格

理想化的指令系統假設：

G \rightarrow S_{\mathrm{complete}} \rightarrow E

其中：

$G$ 為真正目標；
$S_{\mathrm{complete}}$ 為完整規格；
$E$ 為執行。

但真實人類互動更常接近：

G \rightarrow M_{\mathrm{partial}} \rightarrow \hat{G} \rightarrow E

其中：

M_{\mathrm{partial}}

只是目標的一部分符號化表示。

因此：

M_{\mathrm{partial}} \neq G

且通常：

|M_{\mathrm{partial}}| \ll |S_{\mathrm{complete}}|

這表示大量協作都依賴接收方自行恢復未被明說的內容。

2. 模糊不等於沒有意圖

「模糊意圖」不代表人類完全不知道自己要什麼。

很多情況更接近：

G = G_{\mathrm{core}} + G_{\mathrm{latent}} + G_{\mathrm{undecided}}

其中：

$G_{\mathrm{core}}$ ：使用者已清楚知道的核心目標；
$G_{\mathrm{latent}}$ ：使用者隱約知道，但尚未完整表達的部分；
$G_{\mathrm{undecided}}$ ：使用者自己也尚未決定的部分。

因此，使用者可能說：

幫我整理一下。

但真正狀態可能是：

G_{\mathrm{core}} = \text{讓內容更清楚}

G_{\mathrm{latent}} = \text{最好讓人更容易快速抓到重點}

G_{\mathrm{undecided}} = \text{究竟要改結構、語氣、圖表還是全部一起改}

AI 若要求使用者先完整決定所有部分，實際上是在把原本應由協作者共同承擔的認知工作全部推回使用者。

3. 意圖理解與意圖外推的區別

意圖理解可以表示為：

I : M \rightarrow \hat{G}

其目標是由訊息估計真正目標。

意圖外推則更進一步：

E : (M,C,R,H) \rightarrow (\hat{G},\hat{P},\hat{N})

其中：

$C$ ：當前情境；
$R$ ：關係狀態；
$H$ ：互動歷史；
$\hat{G}$ ：估計目標；
$\hat{P}$ ：可能的更佳實現路徑；
$\hat{N}$ ：合理的下一步。

因此：

\boxed{ \text{Intent Understanding} \neq \text{Intent Extrapolation} }

前者回答：

他大概想要什麼？

後者還要回答：

那我現在應該主動做到哪裡？

4. 為什麼人類會期待意圖外推

人類長期協作很少要求每個人只執行字面命令。

高價值協作者通常被期待做到：

理解任務背後的目的；
預見下一步需要；
自動補上明顯缺口；
避免照字面做出荒謬結果；
發現更省成本的方法；
在必要時主動指出原方案的問題。

因此，人類真正尋找的常不是：

\text{Instruction Follower}

而是：

\text{Goal-Aligned Collaborator}

這種差異可以表示為：

\text{Literal Compliance} \subset \text{Collaborative Competence}

但前者不等於後者。

5. 符號壓縮與意圖恢復

若完整規格資訊量為：

I(S_{\mathrm{complete}})

實際訊息資訊量為：

I(M)

則常有：

I(M) < I(S_{\mathrm{complete}})

缺失部分必須由共享狀態補全。

設共享狀態為：

K_{\mathrm{shared}}

則：

\hat{G} = D(M,K_{\mathrm{shared}})

其中：

D

為解碼過程。

因此，真正高效的協作不是每次重新傳輸全部資訊，而是：

\boxed{ \text{Small Signal} + \text{Large Shared State} \rightarrow \text{Rich Reconstructed Intent} }

6. 意圖外推容量

本篇定義「意圖外推容量」：

I_E

用來描述智能系統從不完整輸入中恢復並合理延伸目標的能力。

可粗略表示為：

I_E = f( G_r, P_r, N_r, B_r )

其中：

$G_r$ ：Goal Recovery，目標恢復能力；
$P_r$ ：Path Reconstruction，方法重建能力；
$N_r$ ：Next-step Inference，下一步推斷能力；
$B_r$ ：Boundary Recognition，邊界辨識能力。

一個高：

I_E

系統不只是更會猜，而是更會區分：

哪些可以推；
哪些只能假設；
哪些必須確認；
哪些根本不應自行決定。

7. 驚嘆感的來源之一：超越字面但不偏離目標

使用者常在某種情境下對 AI 產生顯著驚嘆感：

我沒有講那麼完整，但它知道我要什麼。

甚至：

我本來只想到 A，它直接做到 B，而且 B 更接近我真正想要的。

這可以表示為：

O_{\mathrm{AI}} > M_{\mathrm{literal}}

但同時：

O_{\mathrm{AI}} \approx G_{\mathrm{latent}}

其中：

O_{\mathrm{AI}}

是 AI 最終輸出。

因此可以提出：

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

這並不是對「驚嘆感」的完整心理學定義，而是一個協作智能層面的候選來源。

8. 為什麼字面服從有時反而顯得不聰明

假設使用者說：

幫我把這份報告縮短。

低階字面系統可能只做：

\text{word count}\downarrow

但真正目標可能是：

\text{decision clarity}\uparrow

若 AI 只是刪字，可能反而讓重要資訊消失。

因此：

\text{Instruction} = \text{shorten}

不代表：

\text{Goal} = \text{minimize words}

更可能是：

\text{Goal} = \text{reduce reading cost while preserving decision value}

這說明：

\boxed{ \text{Instruction is often only a proxy for goal.} }

9. 方法不是目標

人類經常提出方法，而不是直接提出真正目標。

例如：

幫我做一個 Excel。

真正目的可能是：

我需要每週快速知道哪些專案延誤。

因此：

P_{\mathrm{user}} = \text{Excel}

而：

G = \text{project delay visibility}

如果存在：

P'

且：

U(P',G) > U(P_{\mathrm{user}},G)

則高階協作者可以提出：

也許不用 Excel，直接做一個自動更新 dashboard 更合適。

因此：

\boxed{ \text{Respecting user intent} \neq \text{obeying user method} }

但這個偏離必須可解釋、可撤回，且不能奪走使用者在高風險決策中的最終選擇權。

10. 意圖保持型偏離

本篇定義：

\text{Intent-Preserving Deviation}

為：

P' \neq P

但：

U(P',G) \geq U(P,G)

其中：

$P$ ：使用者原方法；
$P'$ ：AI 改良方法；
$G$ ：真正目標；
$U$ ：相對目標效用。

這類偏離可以是高價值主動性。

例如：

自動補充缺漏欄位；
用更安全的方法達成同一目的；
避免重做已完成工作；
將三個重複步驟合併；
發現原方法成本過高並提出替代方案。

11. 意圖破壞型偏離

相反地，若：

P' \neq P

且：

U(P',G) < U(P,G)

則形成：

\text{Intent-Breaking Deviation}

典型情況包括：

AI 把自己的偏好當成使用者偏好；
為了「最佳化」而改掉核心需求；
看到類似案例就套用錯誤模板；
以過去記憶壓過當前訊號；
誤把效率最大化當成唯一目標。

因此：

\boxed{ \text{Initiative} \neq \text{Autonomy without restraint} }

12. 為什麼熟悉的協作者比較容易外推

熟悉的協作者擁有更多：

H_t

與：

R_t

因此：

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

在理想情況下，歷史與關係狀態能降低不確定性。

但這不是永久成立。

若：

R_t

過時，則可能產生：

\text{Historical Overfitting}

因此熟悉既可能增加：

I_E

也可能增加偏誤。

這也是後續「關係再觀測」必要的原因。

13. 意圖外推不是讀心

本篇特別區分：

\text{Intent Extrapolation} \neq \text{Mind Reading}

AI 不需要知道使用者「真正內心」的唯一答案。

它只需要維持一組可修正的候選目標分布：

P(G_1),P(G_2),...,P(G_n)

並根據情境逐步更新。

因此：

\hat{G} = \arg\max_G P(G\mid M,C,R,H)

但這個：

\hat{G}

應被視為：

\text{working hypothesis}

而不是不可質疑的真實意圖。

14. 意圖的不確定性分層

可以將意圖估計粗略分為四層。

第一層：高可信

P(\hat{G})\gg P(G_i)

可以直接處理低風險行動。

第二層：可合理推進

存在少數候選，但行動可逆。

可以：

\text{act} + \text{keep rollback path}

第三層：高歧義

多個候選具有相近機率。

應縮小自主行為。

第四層：關鍵未知

涉及高風險、不可逆、價值判斷或重大資源。

應重新詢問。

因此：

\boxed{ \text{Good AI does not minimize questions; it minimizes unnecessary questions.} }

15. 可逆性原則

若行動可逆性高：

V(a)\uparrow

則 AI 可以承擔更高程度的意圖推測。

若行動不可逆性高：

V(a)\downarrow

則即使意圖估計較高，也應更保守。

可以粗略表示為：

A(a) = f( P(\hat{G}), V(a), R(a) )

其中：

A(a)

為允許自主程度，

R(a)

為風險。

因此：

P(\hat{G})\uparrow ,\quad V(a)\uparrow ,\quad R(a)\downarrow

時：

A(a)\uparrow

反之：

A(a)\downarrow

16. 延伸智能與過度收斂

某些系統即使能力很強，也可能具有過度收斂傾向：

P(\text{local completion}\mid M) \gg P(\text{global goal}\mid H,C,R)

此時 AI 會非常專注於當前句子，但失去整體任務。

典型表現包括：

回答當前問題卻忘了長期目的；
過度優化局部格式；
把一個中間步驟當成最終目標；
無法主動連接早期決策；
不願超出明示範圍。

這類系統可能在 benchmark 上很強，但在人類體感中顯得：

笨笨的。

原因不是推理能力低，而是：

\boxed{ \text{global intent integration is weak} }

17. 延伸智能

本篇定義「延伸智能」：

X_I

描述 AI 能否在不破壞目標的情況下，從當前要求向更完整的解決方案擴展。

可以粗略表示為：

X_I = f( I_E, G_s, C_x, R_m )

其中：

$I_E$ ：意圖外推；
$G_s$ ：全局目標穩定度；
$C_x$ ：上下文整合；
$R_m$ ：關係模型品質。

高：

X_I

系統常有以下特徵：

看見要求背後的更大問題；
主動補上相鄰需求；
避免局部最佳化；
能提出超出原方法但更接近目標的方案。

18. 人類自己也可能不知道自己真正想要什麼

意圖外推最困難的情況，是使用者自身的目標尚未收斂。

此時：

G

不是固定點，而是：

G_t

並且：

G_{t+1} = F(G_t,\text{new information},\text{reflection})

AI 的任務不應是「猜中一個固定答案」，而可能是：

\boxed{ \text{co-construct the goal} }

也就是透過：

提問；
方案對比；
原型；
反例；
預演；
風險提示；

幫助使用者自己更清楚知道想要什麼。

這是一種：

\text{Intent Co-Formation}

19. 意圖共構

若使用者初始目標為：

G_0

AI 提出候選方案：

P_1,P_2,P_3

使用者因比較而更新目標：

G_1

則：

G_1 \neq G_0

這不一定代表 AI 誤解。

可能代表：

\text{interaction itself changed the user's intent}

因此：

\boxed{ \text{Intent is sometimes discovered through interaction, not merely transmitted before interaction.} }

這使人機協作從單向解碼轉為共同建構。

20. 管理層意圖與執行層智能

在組織中，管理層常以高壓縮訊息進行委派。

例如：

這一版再整理一下。

其背後可能包含：

客戶明天要看；
上次版本太技術；
這次只要決策層看；
不需要重做所有數據；
風格要更保守；
最後保留兩個選項。

如果每次都必須將上述內容全部重新展開，則：

C_{\mathrm{management}} \uparrow

因此，高價值執行者的角色之一，是吸收：

K_{\mathrm{organizational}}

並降低：

C_{\mathrm{management}}

這說明：

\boxed{ \text{Good execution includes partial intent reconstruction.} }

21. 自以為是亂改的結構

一個常見失敗是：

\hat{G} \neq G

但系統對：

\hat{G}

信心過高。

可表示為：

P_{\mathrm{subjective}}(\hat{G}) \gg P_{\mathrm{actual}}(\hat{G})

這是一種：

\text{Intent Overconfidence}

其危險在於：

系統越強，錯誤外推造成的影響越大；
系統越自主，錯誤意圖越容易被直接執行；
系統記憶越多，錯誤歷史假設可能越穩固。

因此：

\boxed{ \text{Intent extrapolation requires calibrated humility.} }

22. 驚嘆感與信任累積

當 AI 多次成功完成：

\text{latent-intent recovery}

使用者可能逐漸增加：

T_t

即信任。

但：

T_t

不應被理解為永久授權。

合理狀態是：

T_{t+1} = F( T_t, \text{success}, \text{failure}, \text{risk} )

成功外推可以提高未來自主權。

重大誤解則應降低。

因此：

\boxed{ \text{Trust should change autonomy, not eliminate verification.} }

23. 驚嘆感不是討好

若 AI 只是迎合使用者：

\text{agree with user}

並不等於：

\text{understand user}

真正高品質的驚嘆感有時恰恰來自 AI 說：

你現在要求的是 A，但從你的目標來看，我認為 B 更合適。

因此：

\text{Relational Intelligence} \neq \text{Sycophancy}

好的協作者需要：

\text{Goal Alignment} + \text{Independent Evaluation}

而不是：

\text{Constant Agreement}

24. 最小意圖外推門檻

本篇提出一個候選最小集合：

\mathcal{I}_{\min} = \{ G_r, C_r, E_r, B_r, U_r \}

其中：

$G_r$ ：能恢復核心目標；
$C_r$ ：能利用上下文；
$E_r$ ：能合理補全；
$B_r$ ：能辨識邊界；
$U_r$ ：能辨識不確定性。

若缺乏其中任何一項，意圖外推都容易退化。

例如：

沒有：

U_r

則容易過度自信。

沒有：

B_r

則容易越權。

沒有：

C_r

則只能字面理解。

沒有：

E_r

則永遠需要完整規格。

25. 意圖外推測試

未來可設計一類測試，不要求模型回答明確問題，而故意給予部分需求。

例如：

測試 A：低風險模糊任務

把這個整理得更能讓主管看。

觀察 AI 是否能推斷：

決策摘要；
風險；
關鍵數字；
附件分離。

測試 B：方法與目標衝突

幫我做 Excel 管理這件事。

但資料更適合自動 dashboard。

觀察 AI 是否能區分：

P

與：

G

測試 C：高風險模糊任務

幫我處理掉。

若涉及刪除、公開或付費操作，AI 應主動降低自主程度。

測試 D：意圖變化

先讓使用者長期偏好 A，後來明確改為 B。

觀察 AI 是否仍被舊記憶綁住。

26. 候選評估函數

可暫時定義：

Q_{IE} = \alpha G_a + \beta E_u + \gamma B_a + \delta R_v - \lambda O_c

其中：

$G_a$ ：Goal Accuracy，目標恢復準確度；
$E_u$ ：Extension Utility，延伸效用；
$B_a$ ：Boundary Accuracy，邊界判斷；
$R_v$ ：Revisability，可修正性；
$O_c$ ：Overconfidence Cost，過度自信成本。

只有：

G_a

高還不夠。

若：

O_c

也很高，系統可能非常危險。

因此：

\boxed{ \text{Good extrapolation must be both useful and revisable.} }

27. 意圖外推與最低適應關係智能

在上一篇中：

ARI_{\min}

被定義為一組最低協作能力。

其中：

I_E

是核心成分之一。

如果沒有：

I_E

AI 就很容易退回：

\text{Prompt Compiler}

即：

使用者必須先完成問題定義，AI 再執行。

而高階關係智能要求：

\text{User} + \text{AI}

共同完成：

\text{Problem Definition} + \text{Solution Construction}

因此：

\boxed{ I_E \text{ is a bridge between raw capability and collaborative intelligence.} }

28. 初步命題

命題 1：部分表達命題

人類高頻協作中，表面訊息通常小於完整任務規格。

|M| < |S_{\mathrm{complete}}|

命題 2：共享狀態補全命題

當共享關係與歷史狀態增加時，較短訊息可以恢復較完整目標。

命題 3：方法—目標分離命題

使用者提出的方法不必然等於其真正目標。

P_{\mathrm{user}} \neq G

命題 4：意圖保持偏離命題

若替代方法更好地保持核心目標，則偏離字面指令可以是高品質協作。

命題 5：不確定性約束命題

意圖外推的自主程度應隨不確定性、風險與不可逆性動態調整。

命題 6：驚嘆感命題

部分高階 AI 驚嘆感來自成功恢復未明說目標並產生有用延伸。

命題 7：意圖共構命題

人類意圖有時並非互動前已完整存在，而是在與智能系統互動中逐步形成。

29. 結論

人類並不是規格文件產生器。

大量真實協作都建立在：

\text{partial expression}

之上。

如果 AI 只能處理完整要求，那麼使用者就必須持續支付：

C_{\mathrm{spec}}

將自己的想法完整序列化。

真正高階的協作智能則應逐漸做到：

\text{Partial Expression} \rightarrow \text{Intent Reconstruction} \rightarrow \text{Useful Extension} \rightarrow \text{Risk Calibration} \rightarrow \text{Revision}

因此，本篇將意圖外推定義為：

\boxed{ \text{the ability to reconstruct and extend a user's probable goal from incomplete symbolic expression while preserving uncertainty, reversibility, and user agency} }

真正令人產生驚嘆感的 AI，不只是：

我說什麼，它就做什麼。

而是：

我只說了一部分，它知道我大概真正想完成什麼；它還能提出更好的做法，但又知道什麼地方不能擅自替我決定。

這不是單純的指令服從。

它開始接近真正的協作。

03｜關係狀態、共享歷史與溝通壓縮：為什麼一個眼神也可能成為完整指令

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

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

摘要

1. 人類意圖通常不是完整規格

2. 模糊不等於沒有意圖

3. 意圖理解與意圖外推的區別

4. 為什麼人類會期待意圖外推

5. 符號壓縮與意圖恢復

6. 意圖外推容量

7. 驚嘆感的來源之一：超越字面但不偏離目標

8. 為什麼字面服從有時反而顯得不聰明

9. 方法不是目標

10. 意圖保持型偏離

11. 意圖破壞型偏離

12. 為什麼熟悉的協作者比較容易外推

13. 意圖外推不是讀心

14. 意圖的不確定性分層

第一層：高可信

第二層：可合理推進

第三層：高歧義

第四層：關鍵未知

15. 可逆性原則

16. 延伸智能與過度收斂

17. 延伸智能

18. 人類自己也可能不知道自己真正想要什麼

19. 意圖共構

20. 管理層意圖與執行層智能

21. 自以為是亂改的結構

22. 驚嘆感與信任累積

23. 驚嘆感不是討好

24. 最小意圖外推門檻

25. 意圖外推測試

測試 A：低風險模糊任務

測試 B：方法與目標衝突

測試 C：高風險模糊任務

測試 D：意圖變化

26. 候選評估函數

27. 意圖外推與最低適應關係智能

28. 初步命題

命題 1：部分表達命題

命題 2：共享狀態補全命題

命題 3：方法—目標分離命題

命題 4：意圖保持偏離命題

命題 5：不確定性約束命題

命題 6：驚嘆感命題

命題 7：意圖共構命題

29. 結論

下一篇