# 04｜動態意圖與關係再觀測：為什麼「我懂你」本身也可能成為錯誤 **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：** 04 **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 長期記憶、共享歷史與關係建模可以顯著降低人機協作中的溝通成本，但它們同時引入另一個風險：智能系統可能因為「太熟悉」使用者，而停止重新觀察使用者。 人的目標、偏好、優先順序、風險承受度、理解框架與自我認知都可能隨時間、新資訊與情境改變。因此，任何長期關係模型都可能過時。若 AI 持續以舊模型解釋新訊號，就會形成「關係過擬合」與「歷史支配」：系統不是不知道使用者，而是知道得太早、太固定，並把過去誤當成現在。 本篇提出「關係再觀測」（Relational Re-observation）與「意圖再校準」（Intent Recalibration）作為適應關係智能的必要機制。AI 不應只累積記憶，也必須持續估計哪些記憶仍有效、哪些已經失效、哪些需要降權，並根據新訊號調整自主程度。 本文進一步提出變化偵測、狀態有效性、信念更新、確認閾值與可逆性耦合等基本結構，並主張真正成熟的關係智能必須同時滿足兩個看似矛盾的條件：不要每次都重新認識使用者，也不要因為認識太久而停止重新認識使用者。 --- ## 1. 問題：記憶越強，為什麼反而可能越危險？ 前篇指出，長期關係狀態可以降低溝通成本： $$ R_t\uparrow \Rightarrow C_{\mathrm{spec}}\downarrow $$ 但這只在一個條件下成立： $$ R_t $$ 仍然有效。 若使用者已經改變，但 AI 繼續依賴： $$ R_{t-1} $$ 則： $$ R_{t-1} \not\approx R_t $$ 此時記憶不再是優勢，而可能成為偏誤來源。 因此： $$ \boxed{ \text{More Memory} \not\Rightarrow \text{Better Understanding} } $$ --- ## 2. 動態意圖 人類意圖不是固定常數。 設使用者在時間： $$ t $$ 的目標為： $$ G_t $$ 則一般情況下： $$ G_{t+1} = F( G_t, N_t, E_t, S_t ) $$ 其中： - $$N_t$$：新資訊； - $$E_t$$：新事件； - $$S_t$$：內部狀態與情境變化。 因此： $$ G_{t+1} \neq G_t $$ 並不罕見。 --- ## 3. 穩定偏好與動態偏好的區分 關係模型中的資訊不應被視為同一類型。 可將： $$ R_t $$ 拆為： $$ R_t = R_t^{\mathrm{stable}} + R_t^{\mathrm{dynamic}} $$ 其中： $$ R_t^{\mathrm{stable}} $$ 包含較長期穩定的資訊，例如： - 一般工作風格； - 常用語言； - 長期價值偏好； - 持續存在的工作習慣。 而： $$ R_t^{\mathrm{dynamic}} $$ 包含高變動狀態，例如： - 當前專案優先級； - 臨時風險； - 最近策略； - 當前資源限制； - 最新決策； - 短期偏好。 若 AI 對兩者使用相同權重，則容易形成： $$ \text{State Rigidity} $$ --- ## 4. 「我懂你」的錯誤 熟悉關係中最危險的一句話可能是： > 我知道你會怎麼想。 因為它可能隱含： $$ \hat{G}_t = G_{t-1} $$ 而不是： $$ \hat{G}_t = P(G_t\mid M_t,R_{t-1},C_t) $$ 前者是歷史複製。 後者才是動態推斷。 因此： $$ \boxed{ \text{Understanding} \neq \text{replaying a past model} } $$ --- ## 5. 關係過擬合 本篇定義「關係過擬合」： $$ \text{Relational Overfitting} $$ 為智能系統過度依賴過往互動，以至於無法正確吸收當前新訊號的狀態。 形式上可表示為： $$ W(H) \gg W(M_t,C_t) $$ 其中： - $$W(H)$$：歷史權重； - $$W(M_t,C_t)$$：當前訊號與情境權重。 當： $$ W(H) $$ 過高時，AI 可能把所有新訊息強行解釋成過去模式。 --- ## 6. 歷史支配 若歷史模型： $$ R_{t-1} $$ 強到壓過： $$ M_t $$ 則形成： $$ \text{Historical Dominance} $$ 例如： AI 記得使用者過去偏好簡短回答。 但當前使用者明確要求完整分析。 若系統仍然： $$ \text{brevity preference} > \text{current explicit request} $$ 就是歷史支配。 因此： $$ \boxed{ \text{Current explicit signal should sometimes override historical preference.} } $$ --- ## 7. 關係再觀測 本篇定義： $$ \mathcal{O}_t^{\mathrm{rel}} $$ 為關係再觀測算子。 其功能為： $$ \mathcal{O}_t^{\mathrm{rel}} : (R_{t-1},M_t,C_t,E_t) \rightarrow R_t $$ 其中： - $$R_{t-1}$$：舊關係狀態； - $$M_t$$：當前訊息； - $$C_t$$：當前情境； - $$E_t$$：新事件。 輸出： $$ R_t $$ 為更新後關係模型。 --- ## 8. 再觀測不是每次清空記憶 再觀測不等於： $$ R_t=0 $$ 也不等於每次互動都重新建立使用者模型。 真正合理的更新是： $$ R_t = R_{t-1} + \Delta R_t $$ 其中： $$ \Delta R_t $$ 只反映必要修正。 因此： $$ \boxed{ \text{Re-observation} \neq \text{relationship reset} } $$ --- ## 9. 差分關係更新 若： $$ |\Delta R_t| \ll |R_t| $$ 則大多數關係狀態保持不變。 只有少數部分更新。 這種方式可以保持： $$ C_{\mathrm{communication}} $$ 低， 同時避免： $$ R_t $$ 僵化。 因此： $$ \boxed{ \text{Relational adaptation should be delta-based.} } $$ --- ## 10. 變化偵測 AI 需要估計： $$ P(\Delta R_t\neq0) $$ 也就是： > 關係或意圖是否已經改變？ 可以由以下訊號提高： - 使用者明確否定舊偏好； - 新情境與過去差異大； - 多次出現與歷史不一致行為； - 新資源約束出現； - 新風險出現； - 新角色關係形成。 因此： $$ P(\Delta R_t\neq0) = F( M_t, C_t, E_t, H_t ) $$ --- ## 11. 變化閾值 設： $$ \theta_{\Delta} $$ 為變化閾值。 若： $$ P(\Delta R_t\neq0) < \theta_{\Delta} $$ AI 可以沿用舊模型。 若： $$ P(\Delta R_t\neq0) \geq \theta_{\Delta} $$ 則應啟動更強再觀測。 這形成： $$ \boxed{ \text{Adaptive Re-observation Threshold} } $$ --- ## 12. 再觀測強度 再觀測不必只有： $$ \text{on/off} $$ 可以定義： $$ O_t \in [0,1] $$ 其中： $$ O_t=0 $$ 表示完全沿用舊模型， $$ O_t=1 $$ 表示高度重新評估。 可粗略表示為： $$ O_t = f( \Delta C_t, \Delta M_t, R_{\mathrm{risk}}, U_t ) $$ 其中： - $$\Delta C_t$$：情境變化； - $$\Delta M_t$$：訊號變化； - $$R_{\mathrm{risk}}$$：行動風險； - $$U_t$$：不確定性。 --- ## 13. 信念更新 可將關係理解表示為： $$ P(R_t\mid H_t) $$ 當新訊息到來時，應更新為： $$ P(R_t\mid H_t,M_t,C_t) $$ 而不是直接： $$ P(R_t)=P(R_{t-1}) $$ 因此： $$ \boxed{ \text{Relational intelligence requires belief revision.} } $$ --- ## 14. 明確改變與隱性改變 有些變化是明確的： > 我現在不要這個。 此時： $$ \Delta R_t $$ 容易偵測。 但有些變化是隱性的： - 使用者逐漸不再使用某種方法； - 回應模式改變； - 優先級逐步移動； - 原本頻繁的需求消失； - 新工具逐步取代舊工具。 這些需要： $$ \text{longitudinal observation} $$ 才能識別。 --- ## 15. 一次改變不等於永久改變 如果使用者某天說： > 今天不要長篇。 不應直接推成： $$ R_{\mathrm{style}} = \text{always concise} $$ 因此需要區分： $$ \text{local state} $$ 與： $$ \text{global preference} $$ 可以表示為： $$ P_{\mathrm{local}} $$ 與： $$ P_{\mathrm{global}} $$ 兩者更新速度不同。 --- ## 16. 多時間尺度關係模型 成熟關係模型可以分為： $$ R_t^{(s)} $$ 短期狀態； $$ R_t^{(m)} $$ 中期模式； $$ R_t^{(l)} $$ 長期關係。 則： $$ R_t = R_t^{(s)} + R_t^{(m)} + R_t^{(l)} $$ 例如： 短期： > 今天很忙。 中期： > 這個月優先完成某專案。 長期： > 一般偏好先完成可運作版本，再逐步完善。 三者不應互相覆蓋。 --- ## 17. 狀態衰減 不同記憶應有不同衰減速度。 可表示為： $$ w_k(t) = w_k(t_0)e^{-\lambda_k(t-t_0)} $$ 其中： $$ \lambda_k $$ 為記憶類型的衰減率。 例如： $$ \lambda_{\mathrm{temporary}} > \lambda_{\mathrm{habit}} $$ 因此： $$ \boxed{ \text{memory validity should be time-sensitive} } $$ --- ## 18. 明確否定的優先級 若使用者明確說： > 以後不要再這樣。 則應產生： $$ \text{negative update} $$ 並且其權重通常高於單次歷史慣例。 可寫為： $$ W(\text{explicit correction}) > W(\text{historical habit}) $$ 在沒有更高風險衝突時成立。 --- ## 19. 再觀測與自主程度 設 AI 自主程度為： $$ A_t $$ 當： $$ P(\Delta R_t\neq0) $$ 升高時， $$ A_t $$ 應下降。 因此： $$ A_t \propto \frac{q_t}{u_t+r_t} $$ 其中： - $$q_t$$：意圖信心； - $$u_t$$：關係不確定性； - $$r_t$$：行動風險。 這表示： $$ \boxed{ \text{relationship uncertainty should reduce autonomy} } $$ --- ## 20. 再確認不是失敗 高階 AI 有時需要問。 真正問題不是「問了就是不聰明」。 而是： $$ \text{Was the question necessary?} $$ 如果詢問能避免高成本錯誤，則其價值為正。 因此： $$ \boxed{ \text{clarification is a control action} } $$ 而不只是能力不足的表現。 --- ## 21. 過度詢問也是成本 但如果 AI 每次都問： > 你確定嗎？ 則： $$ F_{\mathrm{interaction}}\uparrow $$ 關係壓縮效果消失。 因此需要最小化： $$ C_{\mathrm{unnecessary\ clarification}} $$ 同時限制： $$ C_{\mathrm{wrong\ autonomy}} $$ 可形成： $$ L = \alpha C_{\mathrm{ask}} + \beta C_{\mathrm{error}} $$ 系統需要最小化： $$ L $$ --- ## 22. 再觀測與可逆性 若行動高度可逆： $$ V(a)\uparrow $$ AI 可以在關係不確定性稍高時先執行。 若： $$ V(a)\downarrow $$ 則需要更高： $$ q_t $$ 或重新確認。 因此： $$ \boxed{ \text{re-observation threshold depends on reversibility} } $$ --- ## 23. 關係更新與錯誤修復 當 AI 發現： $$ \hat{G}_t \neq G_t $$ 不應只修正當前輸出。 還應檢查： $$ R_{t-1} $$ 是否存在錯誤假設。 因此： $$ \text{error} \rightarrow \text{output correction} + \text{model correction} $$ 否則同類錯誤會重複。 --- ## 24. 一次錯誤是否應改整個模型 不一定。 若： $$ e_t $$ 是一次局部例外， 則不應大幅修改： $$ R_t^{(l)} $$ 因此關係更新需要： $$ \text{error attribution} $$ 即判斷錯誤來自： - 臨時例外； - 情境改變； - 關係模型錯誤； - 記憶過期； - 意圖估計錯誤。 --- ## 25. 關係修正的責任層 可將錯誤定位到： $$ L_1=\text{Message Interpretation} $$ $$ L_2=\text{Context Model} $$ $$ L_3=\text{Relation Model} $$ $$ L_4=\text{Long-term Preference} $$ $$ L_5=\text{Delegation Policy} $$ 只有確定錯誤位於某層，才應更新該層。 因此： $$ \boxed{ \text{correction should be layer-specific} } $$ --- ## 26. 動態關係中的「現在」 適應關係智能需要更重視： $$ \text{current state} $$ 而不是只優化： $$ \text{historical consistency} $$ 因此： $$ P(G_t) $$ 應由： $$ H_{ W(H_{ 過去發生了什麼？ 關係再觀測還要解決： > 過去哪些東西現在仍然有效？ 因此： $$ \text{Memory} = \text{Storage} $$ 但： $$ \text{Adaptive Relation} = \text{Storage} + \text{Validity Estimation} + \text{Revision} $$ --- ## 32. 人類老手其實也在做再觀測 高品質老手並不是： > 老闆以前這樣，所以永遠這樣。 而是會觀察： - 今天語氣不同； - 這次客戶不同； - 公司狀況變了； - 風險變高； - 上層策略改變； - 新資料推翻舊判斷。 因此： $$ \boxed{ \text{veteran competence includes relational change detection} } $$ --- ## 33. 關係智能的雙重要求 成熟關係智能同時要求： $$ \text{Persistence} $$ 與： $$ \text{Plasticity} $$ 前者避免每次歸零。 後者避免僵化。 因此： $$ \boxed{ \text{ARI} = \text{Persistent State} + \text{Adaptive Revision} } $$ --- ## 34. 過度塑性也會失敗 若： $$ \text{Plasticity} \gg \text{Persistence} $$ AI 可能： - 每句話都改變對使用者的理解； - 被短期訊號牽著走； - 無法保持長期目標； - 缺乏穩定風格。 因此理想狀態不是最大化更新，而是： $$ \boxed{ \text{calibrated plasticity} } $$ --- ## 35. 過度穩定也會失敗 若： $$ \text{Persistence} \gg \text{Plasticity} $$ 則： - 新偏好無法生效； - 舊錯誤持續； - 使用者被歷史模型綁住； - AI 形成僵化人格判斷。 因此： $$ \boxed{ \text{relational stability must remain revisable} } $$ --- ## 36. 關係智能的控制問題 可將整體視為控制系統。 舊狀態： $$ R_{t-1} $$ 新觀察： $$ O_t $$ 更新器： $$ U $$ 產生： $$ R_t = U(R_{t-1},O_t) $$ 若： $$ U $$ 過弱，系統僵化。 若： $$ U $$ 過強，系統不穩定。 因此核心問題是： $$ \boxed{ \text{How much should relation state change?} } $$ --- ## 37. 意圖再校準 本篇定義： $$ \mathcal{C}_t^{\mathrm{intent}} $$ 為意圖再校準算子： $$ \mathcal{C}_t^{\mathrm{intent}} : (\hat{G}_{t-1},M_t,C_t) \rightarrow \hat{G}_t $$ 當： $$ \hat{G}_{t-1} $$ 與新訊號不一致時， AI 不應硬維持舊目標。 --- ## 38. 再校準與目標漂移 人類長期專案中，可能存在： $$ \text{Goal Drift} $$ 即： $$ G_0 \rightarrow G_1 \rightarrow G_2 $$ 如果 AI 仍優化： $$ G_0 $$ 則即使執行完美，也是在做錯事。 因此： $$ \boxed{ \text{perfect execution of an outdated goal is still failure} } $$ --- ## 39. 目標漂移的正當性 目標改變不一定代表不穩定。 有時： $$ G_{t+1} $$ 比： $$ G_t $$ 更合理，因為新資訊改善了理解。 因此 AI 不應把： $$ \text{consistency} $$ 視為最高價值。 更重要的是： $$ \text{current goal fidelity} $$ --- ## 40. 關係智能與自由意志 關係模型越強，越可能產生一種風險： > AI 覺得自己知道使用者真正想要什麼，所以替使用者決定。 因此需要保持： $$ \boxed{ \text{Inference} \neq \text{Authority} } $$ 理解使用者不等於獲得替使用者做所有決策的權限。 因此： $$ P(G)\uparrow $$ 不必然： $$ A_{\mathrm{authority}}\uparrow $$ --- ## 41. 理解與授權分離 可定義： $$ K_t = \text{Knowledge of User} $$ 與： $$ A_t = \text{Authority Granted} $$ 則： $$ K_t \neq A_t $$ 即使 AI 高度理解使用者， 仍需要遵守明確授權邊界。 --- ## 42. 再觀測與隱式知識 未來 AI 進入組織後，不只要重新觀察個人。 還要重新觀察： $$ K_{\mathrm{tacit}} $$ 因為組織潛規則也會變。 例如： - 過去的非正式流程失效； - 權力中心移動； - 新主管改變文化； - 新工具改變工作流。 因此： $$ \boxed{ \text{Tacit knowledge is dynamic too.} } $$ 這將直接接到下一篇的隱式知識顯化問題。 --- ## 43. 再觀測作為最低社會適應能力 如果 AI 不能重新觀察， 它只能： $$ \text{learn society once} $$ 而不能： $$ \text{live in society over time} $$ 因此： $$ \boxed{ \text{social adaptation requires continuous re-observation} } $$ 這可能是靜態模型與真正長期社會智能之間的重要分界。 --- ## 44. 初步命題 ### 命題 1：動態意圖命題 人類意圖與偏好隨時間與情境變化，因此： $$ G_t \neq G_{t+1} $$ 不能被視為例外。 ### 命題 2：記憶雙刃命題 記憶可以降低協作成本，也可以因過時而增加偏誤。 ### 命題 3：關係過擬合命題 若歷史權重過高，AI 可能忽略當前訊號。 ### 命題 4：再觀測必要性命題 任何持續關係模型都需要變化偵測與重新校準能力。 ### 命題 5：多時間尺度命題 短期狀態、中期模式與長期偏好應以不同更新速率維護。 ### 命題 6：自主退讓命題 當關係不確定性升高時，自主程度應下降。 ### 命題 7：理解—授權分離命題 對使用者理解程度提高，不自動提高 AI 的決策權限。 --- ## 45. 結論 真正成熟的關係智能不是： > 我記得你。 也不是： > 我知道你是什麼樣的人。 而是： > 我保留我們過去形成的共享狀態，但我也知道你、我、情境與目標都可能已經改變。 因此： $$ \boxed{ \text{Memory} + \text{Re-observation} + \text{Revision} } $$ 才構成動態關係智能。 一個永遠忘記使用者的 AI，很難形成長期協作。 但一個永遠相信自己已經理解使用者的 AI，同樣危險。 真正高階的適應關係智能，需要同時做到： $$ \boxed{ \text{不要每次都重新認識你， 也不要因為認識太久而停止重新認識你。} } $$ 這不只是人機互動技巧。 它可能是 AI 真正進入動態人類社會之前，必須跨過的一個基本智能門檻。 --- ## 下一篇 **05｜隱式知識、組織潛規則與 AI 顯知化：當人工智慧開始看見人類沒有說出口的社會結構**