拉普拉斯的語言機器——AI 侵略與學術倫理危機

1814 年，拉普拉斯在《機率的哲學論》（Essai philosophique sur les probabilités）裡設想過一種智慧：它只要知道某一刻宇宙中所有的力和所有物體的位置，就能像是在眼前一樣了解未來和過去。我們叫它「拉普拉斯的惡魔」。借用這個概念，我想做一個思想實驗，拉普拉斯的語言機器是「一個語言模型，能完全預測我心目中那篇好文章的每一個字。」

這個設想聽起來很極端，但我們現在到底離那裡有多遠？

逼近拉普拉斯語言機器

談到 AI 寫作的倫理，最常聽到的回應是：「AI 寫的東西品質還不夠。」現在這大概是對的，但用技術答案回答倫理問題，就像是拿「槍手考得不夠好」來回答為什麼反對代考。所以我們乾脆假設：如果模型已追上我們心中最好的作者，論證嚴謹，文字優美，策略精準。在這個前提下，討論 AI 與學術倫理議題。

或許有人會抗議，拉普拉斯的惡魔也能預測我的每一個行動，我們卻不會因此說那些行動不是我的。我們先擱置這個形上學爭議，我要問的是，學界要分配的是學術信譽（credit），學術信譽得讓別人能辨認、檢驗和信任，那在文字可以被完全預測的世界裡，學界能把學術信譽放在哪裡？

這台機器聽起來很遙遠，是這樣嗎？一段設計良好的提示詞，再加上恰當反應提示詞的模型，算不算一台拉普拉斯的語言機器？一段提示詞不夠，加上迭代呢？還不夠，再讓它自己搜尋文獻、整理資料呢？

我們可以用熵的概念來類比。如果把拉普拉斯的語言機器產出的某篇文章的熵當成零（熵衡量的是描述的不確定，文章的熵也是對某個預測者而言的），那對真實的模型來說，一開始的熵可能很高，但通過 AI 技術的加入，無論是提示詞、迭代還是文獻搜尋，每多一樣，就能逐步下降這個差異。

到最後，我可能完全不碰實際的成果，就得到一篇自己滿意的論文。事實上，我懷疑我們今天就能用迴圈工程（loop engineering）來逼近拉普拉斯的語言機器。

如果一篇我掛名的 AI 論文和我能寫出的最好版本毫無差異，但我可以完全不經手文稿，讀者看不出來，我也看不出來。這時作者還剩下什麼？

實際情況還可能更糟。因為 LLM 事實上能交出比我原本能設想的更好的東西，我看了看可能說：「對，這就是我要的。」這種事後認可，很難說是我的貢獻。我第一次看到維根斯坦的文章，我可能在心中吶喊「這就是我的想法」，但我總不能無恥地說你看我的才華和他差不多。

一般寫作裡，作者可以在致謝裡交代這件事，就像感謝一位幫自己理清論證的朋友。Simon Goldstein 就是這麼做的，他把 Claude 的貢獻寫進致謝，《Philosophy & Public Affairs》十一天後就訂出新政策：研究過程中怎麼用 AI 都可以，只要投稿時交代清楚；但論文不能實質上由 AI 撰寫。¹

PPA 的政策是把紅線畫在「誰寫出文字」，而不畫在「有沒有交代」。這樣的政策該怎麼理解？對學界倫理來說，這樣的畫線有益還是有害？

為什麼工程師不隱瞞使用 AI？

我曾聽過工程師自嘲：「工程師可以輕鬆承認自己用 AI，是因為大家覺得自己寫的程式沒什麼價值。」在我看來，這只是笑話，更正確的說法是：「是因為隱瞞無利可圖。」

首先，當我們只在意程式能不能跑、好不好維護，在這樣的場景下，我們根本不在乎程式碼哪裡來。在過去，我們抄 Stack Overflow，現在，我們抄 AI。但如果換成面試、報工時的時候，隱瞞的人就大有人在。其次，在一個強調產能的行業裡面，「我可以一個月用 AI 寫二十萬行程式」要比「我可以一天手打寫 1000 行程式」迷人多了。最後，大多數的開源社群本來就把產出當成貢獻。就算整段程式是 AI 寫的，只要不寫垃圾，大家照樣會說謝謝你找到問題——至少你願意出 Token 的錢。當然，也有專案被大量垃圾 PR 淹沒，維護者光是審查就疲於奔命，但讓他們困擾的是垃圾，而不是 AI。

工程師不必隱瞞，是因為在大部分的場景下，程式的價值在交付本身就決定了。

但學術是另一種行業，學術在意的是學術信譽，這不只由成品提供。審稿人、讀者和升等委員會看到一篇論文後，社群會以某種方式把學術信譽記在作者名下。但由於成品看得見，製程看不見，作者會在致謝、方法或聲明裡自行交代，而交代到什麼程度也由作者自己決定。信譽同時押在成品和製程上，但製程由作者自行申報。問題是，似乎，一旦交代 AI 的貢獻，就有機會讓信譽打折，這就使得隱瞞有利可圖。

學界倫理要設置的，從外在來看，我想至少是這樣一套社群規範：

• 一、依循這套規範，作者能得到應得的學術信譽；
• 二、進而，讓社群外更大的社會能恰當地尊重與犒勞參與者；
• 三、最後，在這兩個前提下，推動某種我們重視的學問往前走。

Goldstein 的「實驗」挑戰的正是第三點和前兩點的關係。他的目標是發現「重要的新真理」，而好好使用 AI，能讓被發現的重要新真理變多。有人甚至（開玩笑？）說：其他條件不變（ceteris paribus），能得到更多真理的世界，比得到較少真理的世界更值得追求。²

真理越多越好嗎？

在上週，這說法有一個新的具體測試案例。2026 年 10 月 6 日，OpenAI 在 GitHub 上一次釋出 722 篇由內部模型產出的數學論文，對應了 372 個開放問題。³ 如果真理越多越好，這應該是數學界的大好日子。就像 Anthropic 的數學家 Levent Alpöge 說，這「顯然是數學史上最重大的時刻」（obviously the most significant moment in mathematical history）。⁴

然而，更多數學家的反應是憤怒和不安。幾天內，有三篇論文因基本錯誤被撤回，另有幾篇因錯誤影響結果而修正。⁵ 研究選擇公理的 Asaf Karagila 讀了一篇宣稱解決他所關心問題的論文，說它不清楚、混亂、結構奇怪，期刊應該拒稿。他還有好幾篇論文要完成、好幾位博士生要指導，責問：「我應該什麼時候去篩一篇寫得很爛的論文？」（When am I supposed to sift through a badly written paper?）他把這釋出比作阻斷服務攻擊（denial of service）：要認真看待，就得放下手邊一切去搞懂它。⁶

這些批評指出「其他條件不變」的背後隱藏了什麼：真理要有人理解，才會成為人類學問的一部分。學術社群能容納的人和成果有其上限，期刊版面、審稿人的時間、教職、經費都有限，這些資源只能交給最值得信任的人。而這些信任，就是靠學術信譽一點點累積：你發表了什麼、他人怎麼評價、你為自己的成果如何負責。

LLM 本身至少有以下的當然缺陷：

第一，AI 對可理解性無法完整擔保。它能大量產出形式正確、卻沒人讀得懂的東西。AI 詠唱者可能不在意、無法擔保或無法分辨成品的品質。這類 AI 垃圾（AI slop）一多，審閱者將疲於奔命。Karagila 說的阻斷服務攻擊，要指出的就是，LLM 的大量產出會將檢查成本轉嫁給學術社群，但沒有真正值得信任的結構為此進行擔保。

第二，AI 面積過度擴張，造成人類貢獻被稀釋。一個機構一次解決幾百個問題，原本在做這些問題的人就被搶先了。Navier-Stokes 那篇文章，有兩位長期研究這問題的數學家指控 OpenAI 使用了他們的想法，而 OpenAI 否認。⁵ 不管指控是否屬實，參與者都會開始懷疑：投入這麼多年，最後分到的學術信譽還剩多少？值得嗎？更別說，在模型訓練時讀過的東西，就連 LLM 自己都可能不會有印象。

第三，什麼算進步，可能需要有生命歷程的人來審。人類數學協會（AHM）聲明，數學家對進步有一套由歷史和領域考量形成的看法，不接受 OpenAI 推進了這門學科的說法。⁷ 一般來說，我們看重一位學者，看的常是他的經歷、著作的延續、跨作品的一致性，以及他長期關懷的問題，而這些都靠生命歷程累積。一門學問重視什麼問題、什麼樣的理解才有幫助，也只有在社群裡生活、工作過的人有辦法審定，這種審定也才會被社會接納。

總結來說，多點真理本身沒有不好，但學問的進步要透過社群完成，而社群要靠信任和學術信譽來運作。

更嚴格的限制和倫理有用嗎？

讓我們回到 PPA 事件。副主編 Seth Lazar 公布新政策時，說明了它的意圖。他表示，期刊至少有兩個功能：傳播新知及認證有才華的研究者。其次，用 AI 寫出真正高品質論文的機會不成比例地低，更常見的是外表精緻、內部空洞或不融貫的稿件，這會讓原本就吃緊的同儕審查更加沉重。最後，喜歡 AI 寫作的人有很多別的地方可以發表，可以另辦專收 AI 研究的期刊，在既有期刊刊登 AI 撰寫的論文好處很少、代價很高。¹

然而，這項政策禁止 AI「寫」，卻允許 AI 參與「研究」，這會立刻出現兩個難題（這兩個問題我在〈我是不是「被 AI」了——文字工作者如何面對 AI 浮水印〉也談過）：

首先是 A. Pinillos 指出的，懂得用 AI 的人可以讓它產出反例和大綱，再自己改寫，偵測軟體無法抓到。² 這種規範變相懲罰兩種人：誠實揭露的人，和不太會用 AI 的人。

其次，這政策其實允許關鍵的人類位置被外包。以程式偵測 AI 著作並禁止，這能抓到完全由 AI 創作的人，但也會跑去抓到由 AI 進行潤飾和摘要的人，但是卻抓不到決策層交給模型的人。也就是說，這政策允許學者退化成 AI 文字的編輯。

我們該如何面對 LLM 的入侵，因此成了一個難題。PPA 的政策不見得真的很糟，它可能適度包容了 AI 輔助，並要求人類至少應該「做點事」。

但我想指出，這項政策要帶來好的影響，前提恰好是對 AI 態度更開放的學界。前面說，學術信譽同時押在成品和製程上，製程卻由作者自行申報。如果學界對 AI 過於鄙視，當交代使用 AI，學術信譽就被打折，而誠實交代成了吃虧的選擇，就讓隱瞞有利可圖。結果是，作者將更不願意說清楚用 AI 做了哪些事，讀者和審稿人也更難判斷每個主張該由誰負責。規範本來要釐清責任，最後卻讓責任歸屬更困難。

我的想法是，與其花大把力氣檢查文章有多少成分出自 AI，學界更該做的，反而是加重作者的擔保責任。

加重擔保責任

我主張，既然沒辦法從成品鑑識寫作過程，我們更應該把規範的重點從「誰寫的」轉移到「作者擔保了什麼」，並把擔保加重和具體化。以 AI 輔助投稿來說，作者至少擔保了位格、可讀性和可理解性：我沒有抄襲，我讀過，我看得懂。但我們應該同意，光是這三點不足以授予學術信譽。

除了上述以外，我們的擔保還至少應該包含以下兩項：

• 這個作品能代表我的想法。 文章裡的主張是我的主張，論證是我願意站在後面背書的論證。
• 我歡迎就文章內容與我深入討論。 任何人都可以拿文章裡的任何一段來問我，我能夠對這些問題進行反思性的理由詰問。

第二項尤其重要，我將它稱作反思性承諾（reflective commitment）。作者對文章提供的承諾遠大過「我寫了什麼」，他能邀請別人對它做理由檢視：你為什麼這樣主張？這個反例怎麼回應？此處讓步，那裡如何理解？由於這是反思性的，這份承諾會被作者帶到下一篇文章和下一場討論。

這項的重要性在於，我們能嘗試把成品和作者的生命歷程、活動軌跡拉上關聯，這是 AI 無法提供的。AI 沒有反思性、也沒有生命歷程，因此無法做出這種承諾。它無法參與所有作者參與的對話，也不會需要「修正」它的信念。但作者可以。

我認為，與其用「抓戰犯」的態度去檢視一篇文章是否踩到 AI 紅線，更應該去強調這類承諾在學術信譽中的重要性，如果我無法參與作者所參與的會話與討論，我可以用其他社群成員對此活動的證言來形成信譽的授予鏈。進而，消除 AI 對作者信譽的減損，減少隱瞞動機。

這麼一來，就算拉普拉斯的語言機器交出完全符合我預期的文章，它也沒辦法替我擔起這份承諾。文字可以被預測，但這類承諾只能由會被追問、也願意被追問的人來承擔。也因此，誠實揭露 AI 做了什麼，也是這份承諾的一部分。

這套擔保要怎麼檢驗，我還沒想清楚。審稿時的回應、口頭報告、公開討論都可能是辦法，但都有成本。而違反擔保的代價是撤稿、信用受損，還是更重的處罰，我也沒有答案，這需要學界先進一起考慮這個問題。

這篇文章只想拋磚引玉。我的擔憂是，「AI 寫的品質還不夠」總有一天會不再成立，如果等到那時才開始談，規範可能已經被既成事實決定了。我提出的擔保只是一個可能的方向，希望能引來更多人一起討論。