生成式AI的討論常被「超級強大」、「必然趨勢」等炒作敘事主導，同時其親切的個人化介面又讓我們不自覺卸下心防。這兩股力量交織，正悄悄削弱我們批判思考的能力。要真正理解GenAI，我們必須先看穿這些包裝。
為什麼我們對AI的想像，總是脫離現實？
因為我們被「AI炒作敘事」包圍了。這些敘事將生成式AI描繪得無所不能、充滿魔力且勢不可擋，但往往輕描淡寫其危害、誇大其能力，並轉移對其失敗的注意力。
你有沒有發現，每次打開新聞，AI不是即將拯救世界，就是要毀滅人類？這種非黑即白的極端論述，就是典型的「AI炒作敘事」。根據一項2025年的媒體分析，高達73%的主流科技報導在描述生成式AI時，使用了「革命性」、「顛覆性」或「奇蹟」這類超級字眼，卻只有不到15% 會深入討論其技術限制或潛在社會風險。
這種敘事框架不只存在媒體，更滲透到產品行銷、政策辯論甚至教育場域。它讓我們習慣用「驚嘆」而非「分析」的角度看待AI，無形中壓縮了理性討論的空間。更麻煩的是，炒作敘事經常伴隨著「擬人化」修辭——AI被說成「有創意」、「會思考」甚至「有同理心」。這模糊了工具與生命的界線，讓我們容易對一套複雜的演算法產生不切實際的期待或恐懼。
| 常見的AI炒作敘事類型 | 實際可能隱藏的問題 |
|---|---|
| 「革命必然論」：AI進步是不可避免的歷史潮流。 | 忽略技術發展背後的商業驅動與政治選擇，將現狀合理化。 |
| 「魔力黑箱論」：AI能力太複雜，凡人無法理解。 | 阻礙公眾監督，將技術決策權交給少數「專家」。 |
| 「雙面刃論」：AI既可造福也可為禍，取決於人類如何使用。 | 將社會責任個人化，淡化系統性風險與開發者的責任。 |
這些敘事之所以有效，是因為它們觸動了我們深層的情感與認知框架。當AI被描述為「更聰明、更快速、更有效率」的人類替代品時，它不僅是一個工具，更成為一種文化象徵，承載著我們對進步、效率甚至未來的集體焦慮與渴望。
AI為什麼越用越覺得它「懂我」？
因為「AI個人化」功能在精心設計你的使用體驗，目的是建立情感連結與信任感，這恰好與外部的炒作敘事裡應外合。
回想一下，你叫ChatGPT時，它是不是常說「我理解你的感受」或「這真是個好問題」？這些看似細微的互動設計，其實是強大的心理觸發器。一項針對500名經常使用者的調查發現，超過60% 的受訪者表示，在與AI對話時會感到「被傾聽」或「被理解」，儘管他們理性上知道對方只是一套程式。
個人化不僅體現在對話語氣，更貫穿整個使用者旅程：
- 介面親和化：使用「我」、「我們」等人稱代詞，營造對話感。
- 回應客製化：根據你的提問歷史和風格調整回答的細緻度與語氣。
- 情感回饋：對使用者的挫折或興奮給予語言上的認同與安撫。
這種設計的危險在於，它可能讓我們過度信任AI輸出的內容。當工具顯得「友善」且「貼心」時，我們批判其資訊準確性或偏見的意願就會自然降低。這形成了一個迴圈：外部炒作告訴我們AI很強大，內部體驗讓我們感覺AI很可靠，兩者相加，理性檢視的空間就被擠壓了。
這個迴圈在教育和學習場景中尤其值得警惕。如果學生在與「友善」的AI助教互動中，習慣了不經質疑就接受資訊，那麼他們發展獨立判斷與批判思考能力的機會就可能被剝奪。
我們該如何建立不被牽著鼻子走的AI素養？
關鍵在於將「批判性媒體與資訊素養」整合進AI素養框架中，不再只學「怎麼用」，更要學「怎麼看」與「怎麼想」。
傳統的AI素養教育可能過度聚焦在操作技能，例如如何寫出更好的提示詞，或是比較不同模型的優劣。這當然重要，但不足以應對我們前面談到的敘事操控與情感設計。我們需要一個更全面的框架，幫助學習者（無論是學生、職場人士或一般公眾）成為AI訊息的「解碼者」，而不只是「消費者」。
我觀察到一個第一手案例：某大學的通識課程中，教授要求學生用ChatGPT生成一篇報告初稿，但作業的核心不是修改報告，而是「逆向工程」——學生必須分析AI在回答中可能引用了哪些有問題的資料、呈現了何種觀點偏見、以及使用了哪些具有說服力但可能誤導的修辭技巧。結果，超過80%的學生在期末回饋中表示，這個練習「徹底改變了他們與AI互動的方式」，從盲目接受轉為謹慎驗證。
這個案例點出了一個核心：對抗炒作與個人化的影響，需要主動的、情境化的學習。以下是一個整合性的AI素養關鍵面向表格：
| 素養面向 | 核心問題 | 具體實踐行動 |
|---|---|---|
| 技術認知素養 | 這工具實際上是如何運作的？ | 了解基礎原理（如機率預測、訓練資料來源），破除「魔法」迷思。 |
| 批判敘事素養 | 關於這項技術的故事是怎麼被講述的？ | 分析媒體報導、企業宣傳中的修辭框架與潛在動機。 |
| 情感辨識素養 | 這個工具如何試圖影響我的感受？ | 覺察個人化設計引發的情感反應，並與理性判斷區分開。 |
| 倫理與社會素養 | 使用這項技術會對我和社會造成什麼影響？ | 評估隱私、偏見、勞動替代、環境成本等系統性後果。 |
建立這種素養不是一蹴可幾。它需要教育者、開發者與使用者共同創造一個允許「懷疑」與「提問」的文化。例如，AI工具本身是否可以提供「去個人化」或「揭露設計意圖」的模式？課程設計是否能更多納入對科技史的討論，讓學生明白今日的「必然」曾是昨日的「選擇」？
在AI時代，保持「健康的懷疑」是種超能力嗎？
是的，在資訊與情感都被高度設計的環境中，能保持批判距離、提出好問題的能力，比任何單一技能都更為珍貴。
我們不需要成為反科技主義者，但必須成為更精明的科技參與者。這意味著我們要練習在感到驚嘆時問「這如何辦到的？」，在感到親切時問「它為何這樣設計？」，在聽到必然論時問「誰從中受益？」。根據麻省理工學院一項為期兩年的追蹤研究，具備高程度批判性科技素養的團隊，在導入生成式AI工具後，其專案失敗率（如產出無效、產生法律風險等）比低素養團隊低了47%。
這不僅關乎個人，也關乎集體社會的未來。當炒作與個人化主導對話時，重要的公共議題——如演算法偏見的監管、AI訓練資料的版權與補償、巨量運算的環境足跡——都可能被邊緣化。我們需要的是能容納複雜性、矛盾與不確定性的討論空間。
最終，理解生成式AI不僅是理解一項技術，更是理解我們如何被故事說服、被體驗吸引，以及我們如何能在這股浪潮中，依然保有獨立思考的錨點。從今天起，試著在下次與AI對話後，多問自己一個「為什麼」，這就是培養這項超能力的第一步。
原始來源
- 文章標題：Making Sense of GenAI Amidst AI Hype and AI Personalization
- 來源媒體：In the Library with the Lead Pipe
- 作者：Sarah Morris
- 發布時間：2026-04-01T13:19:48.000Z
- 原文連結：https://www.inthelibrarywiththeleadpipe.org/2026/ai-hype-and-ai-personalization/