GenAI 鴻溝 ~ 一本正經、胡說八道的必然結果

00:00 1.
GenAI 鴻溝 ~ 一本正經、胡說八道的必然結果

分享
- 嵌入網址
- QR code

索引
筆記
討論
全螢幕

長度: 09:07, 瀏覽: 103, 最近修訂: 2026-02-15

美國麻省理工學院 (MIT) 2025 年的一份報告：

「生成式AI鴻溝：2025年商業AI現況」

(The GenAI Divide: State of AI in Business 2025)

引爆大家對 AI 泡沫的疑慮，

甚至被認為很可能是造成美國股市大跌、韓國股市崩盤到熔斷的主要原因之一。

這份嚇壞市場的 MIT 報告，究竟說了什麼？

其中的兩項數據令人印象深刻：

95% 企業「投資 AI 零報酬」

90% 用戶「更信任人類同事」

其實這並不令人意外，甚至是預期中的結果！

生成式 AI 根本的 5 大限制

2025 年史丹佛大學發表一篇論文「On the Fundamental Limits of LLMs at Scale」，

從理論上更證明目前「生成式 AI」有 5 個根本限制：

幻覺 (Hallucination)
上下文壓縮 (Context Compression)
推理能力降級 (Reasoning Degradation)
檢索脆弱性 (Retrieval Vulnerability，也就是 RAG 技術)
多模態錯位 (Multimodal Misalignment)

也就是說，

AI 那一本正經胡說八道的問題，從理論上 ... 無解。

而且那種充滿自信且流暢的語氣，更恐怖。

因為更容易產生誤導，這在嚴謹的工廠生產 (SOP) 或醫療環境，風險很高。

每次回答，都不一樣

以下是 2025/11 的測試結果，

即使採用 RAG 技術，一樣無法避免「一本正經、胡說八道」的問題。

請 ChatGPT 依據特定內容回答衛教問題「裝引流管後可以洗澡嗎？」

一次說「沒找到」
另一次有找到，但卻回答錯誤「需避免淋濕」 (答案是不行)

一本正經，很恐怖 ...

因為回答得太專業了 ~

雖然沒有直接提及 ...

但有提到「Port-A 人工血管」 ...

根本就像是專家的口吻，

還特別提到「Port-A 人工血管」，很容易讓人信以為真。

以下是一樣的問題，問 Google notebookLM (Gemini 模型) 的結果

AI 幻覺的風險

從現有生成式 AI 的技術角度，幻覺問題是無解的。

因此幾乎所有公司都會加註提醒與警語，例如 Google 「AI 摘要」功能中的警語說明 (下圖)：

雖然這項技術令人振奮 ... 可能會提供不準確或令人反感的資訊。因此，我們無法確保 AI 摘要內容皆正確無誤。

然而，這樣的不確定性，

對企業來說，尤其在「標準化的生產流程 (SOP)」，會是一個非常嚴重的問題。

有經驗的員工或許還能察覺異常，

對 AI 的回應保有一定的判斷與思辨能力，覺得「怪怪的」時候，會再進一步查證。

但對新進人員而言，

由於 AI 語氣「一本正經」，反而更容易讓人信以為真、照單全收，進而導致實際的生產錯誤。

也因為 AI 技術本身極具吸引力，全球企業都積極投入，

但與此同時，其「幻覺（hallucination）」問題也開始在實務應用中浮現，

以下就是幾個因 AI 回答不夠精準，所造成嚴重後果的實際案例。

案例

1.

遺漏重要資訊

A 公司 5 月 26 日的生產事件：

文件中明確提到模具預熱的步驟，
「溫度會依模具規範而不同」，必須查閱對應規格 (還特別標成紅色)。

但 AI 回應中遺漏了這段關鍵資訊，
導致新人直接套用前一模具的預熱溫度設定，
結果造成生產的 5,200 支瓶胚中，有 4,870 支因底部翹曲與螺牙波紋而報廢，損失慘重。
2.

遺漏關鍵步驟

B 公司 3 月 7 日的生產事件：

原文有明確提及「模具預熱」的步驟，但 AI 回應卻略過這個程序。

新人依照 AI 的回應操作，未正確完成預熱流程，
導致模具在未對準的情況下受熱變形，射嘴與模口錯位，不僅造成模具損壞，也導致生產中斷。
特別說明：
這類問題的發生，並不是因為員工不夠認真，也不是非 AI 技術本身的錯，而是提醒我們：

要建立保護機制
能有效避免幻覺的風險，例如好的教育訓練制度幫助新人有足夠的「經驗和敏銳度」。

資料內容很重要
在缺乏「高品質、結構化」資料輔助的情況下，直接依賴 AI 回應來作業，是極具風險的。