# 01｜最低適應關係智能門檻：從「會做」到「真正好用」的功能轉折 **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。 --- ## 下一篇 **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**