# 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。

---

## 下一篇

**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**