同樣使用生成式 AI，不同人的用法可以差很多。
有人問一個問題、拿到答案，然後結束。
有人會從答案繼續跳到原因、比較、例外、其他產業、反駁與應用。
差別不只是誰會寫更長的提示詞。
更大的差別，是 AI 回答後，腦中會不會自然接上：
「為什麼？」
「跟別的相比呢？」
「反例是什麼？」
「這個結構能不能用到其他地方？」
AI 的進階用法，有一部分不是搜尋，而是聯想遊戲。
把 AI 當搜尋框，常常一問一答就結束；把它當思考搭檔，每個答案都會變成下一個問題的材料。
1. 核心不是一次命中完美問題，而是把問題長成一棵樹
清楚的提示很重要，但不必每次一開始就寫出完美問題。
真實探索中，我們往往看完第一個答案，才發現真正想追的是哪個點。
更好的流程是：
- 先問一個合理的問題。
- 從答案挑一個有趣的點。
- 沿原因、比較、例外、應用或類比長出一條分支。
- 再從新答案繼續長下一條。
- 重要事實另外用外部資料核驗。
第一個問題只是種子，很多價值要等它長成樹才出現。
2. 為什麼很多人一問就停——「得到答案」和「探索」是兩種行為
「介紹一下我聽過的這家公司」是很正常的入口。
問題在於，說明一回來，就覺得任務完成。
探索式使用會把答案看成下一輪問題的零件，而不是成品。
看完公司介紹後，可以立刻離開公司名稱本身：
- 為什麼這個產業的獲利結構不同？
- 跟競爭者差在哪裡？
- 弱點是什麼？
- 其他產業有沒有同樣結構？
- 什麼條件會讓這個模式失效？
原本只是查一個專有名詞，最後可能走到產業結構、經濟、技術與組織問題。
這就是問題開始增殖。
3. 聯想遊戲的核心——不只在同一個架子深挖，也要換架子
語意記憶搜尋研究會區分兩種動作：在相近意義的群組裡繼續找，以及切換到另一個意義群組。
前者像在同一排架子越翻越深，後者是直接換架子。
2022 年研究發現，這種切換和組合遠距概念的能力、語意記憶結構與執行能力有關。
放到 AI 上就很清楚。
「這家公司有哪些產品？」 「還有哪些？」 「再多幾個？」
這是同一個架子。
而：
「為什麼形成這種產品組合？」 「競爭者為什麼不同？」 「其他產業有沒有同樣的賺錢結構？」
就已經換架子了。
想提升聯想探索，不只是收集更多資訊，也要練習切換類別。
4. 一開始不用自由聯想——先鋪五條軌道
如果本來就不擅長聯想，只說「再多聯想一點」沒有太大幫助。
先只用五個方向即可。
| 方向 | 下一個問題 |
|---|---|
| 原因 | 為什麼會這樣？ |
| 比較 | 跟其他案例有什麼不同？ |
| 例外／反證 | 什麼反例或條件會讓它失效？ |
| 應用 | 能不能用到另一個問題？ |
| 類似 | 哪個案例有相同結構？ |
問題生成訓練研究發現，比起只叫學習者自己提問，提供提問線索的條件在後設認知知識與自我調節方面出現更大的進步。
所以不必一開始就完全自由發揮。
先裝輔助輪。
5. 讓 AI 生成「分支」，不要只生成答案
生成式 AI 很擅長大量提出候選。發散思考研究中，有研究發現 GPT-4 在特定測試條件下比平均人類參與者更有原創性，也更詳盡。
但如果連下一個問題都永遠由 AI 全包，人就只剩下選擇。
實用的折衷是：
「我先想 1 條 → AI 補 3 條 → 再選 1 條。」
先自己做一個追問，再對 AI 說：
從這個答案延伸 3 個下一步問題，方向從原因、比較、例外、應用、類似中選。先不要回答，只列問題。
這樣 AI 擴大搜尋空間，自身的提問能力也不會消失。
2025 年生成式 AI 搜尋研究也發現，鼓勵使用者反思理解程度、考慮其他觀點的後設認知提示，會讓參與者探索更廣的主題並提出更深入的追問。
6. 「把 AI 養熟」到底是什麼——更多是累積可用脈絡，不是個人重新訓練基礎模型
長期使用後，AI 的回答可能越來越像「懂你」。
需要區分兩件事。
在能使用目前對話、過去資訊、偏好或記憶功能的系統裡，AI 會有更多材料理解目標、限制與以前的決定。
這能提升個人化，但通常不代表使用者自己重新訓練了基礎模型。
真正的實用優勢是，不必每次都從零解釋背景。
若目標、不要什麼、過去比較過什麼、判斷標準都已共享，同一句「你推薦哪個？」也會從更好的起點開始。
但脈絡不是越多越好。
AI 若過度依賴過去偏好，新選項可能越來越看不見。
重要判斷時，偶爾可以問：
暫時忽略我過去的偏好與結論，從最強的反對立場嘗試反證。
「累積脈絡」和「把世界關小」有時只差一步。
7. 比較能把個案提煉成更高一層的規則
比較是增強聯想最簡單的方法之一。
明確比較兩個案例的共同點與差異，比各自單獨閱讀更容易抽取脫離表面名稱的共同結構。
談判學習研究中，比較兩個案例並抽取共同原理的組別，比把同樣案例分開分析的組別，更容易把原理轉移到新的談判情境。
AI 也能直接套用。
「解釋 A」之後問：
「A 和 B 在結構上有什麼不同？」
再問：
「什麼原因造成這個差異？」 「C 也有相同結構嗎？」
比較是把專有名詞變成可重複使用規則的橋。
8. 但 AI 的聯想不是事實
分支越多，有趣的方向越多，錯誤入口也越多。
AI 可以把語意上看起來接近的概念連起來，但「看起來有關」不代表現實裡有因果或事實關係。
最好分工：
- AI：提出分支、比較軸、反論、假設。
- 第一手或可信資料：確認數字、制度、價格、人物、最新規格。
- 使用者：決定哪條分支值得繼續。
AI 追問可以深化既有發現，但未必總能找到新問題。一項 60 人的可用性研究中，GPT-4 追問很會補充既有發現的細節，但找到的新可用性問題比較少。
問題變多，不代表自動更接近真相。
生成分支與驗證分支要分開。
9. 聯想能力可以訓練，但不是魔法
2024 年一項整合 169 個創造力訓練研究的統合分析顯示，未校正平均效果約為 0.53 個標準差；校正發表偏誤後，估計降到約 0.29～0.32 個標準差。
這表示訓練可能有幫助，但不是幾天就能換一個大腦。
與其另外啟動一套學習系統，不如平常使用 AI 時反覆做：
「讀答案 → 從五個方向選一個再延伸一條。」
讓平常的 AI 使用本身成為訓練。
10. 四個可以直接複製的問法
生成下一批分支
從原因、比較、例外、應用、類似中給我 3 個後續問題。先不要回答。
找盲點
按我現在的問法，哪些重要角度容易看不到？給我 3 個不同切入點。
用比較抽象化
給一個相似案例，分別整理共同結構與重要差異。
打破既有框架
不要把之前對話的結論當前提，從相反立場提出最強反駁。
總結——把 AI 從「答案盒子」變成「問題放大器」
會不會用 AI，不只取決於收藏多少神秘提示詞。
第一個答案後，還能不能繼續提問？
能不能比較？
能不能換類別？
能不能反證？
能不能核驗重要事實？
這個循環一旦跑起來，AI 就不再只是搜尋替代品，而會變成思考搭檔。
從「一問一答結束」變成「把問題長成樹」。
你以為自己在養 AI，可能同時也在養自己的提問方式。
