你會以為 AI 推理錯了，其實錯在你提供的前提。
最糟的可能是，你根本無法察覺錯誤，AI 也感受不到。
很多人之所以沒有發現 AI 推理錯，是因為他們理所當然地相信 AI「本來就應該是對的」。
一旦前提錯了，AI 就會在錯誤的軌道上完美推理，把不正確的結果包裝得很合理。
很多人以為 AI 推理錯，是模型本身的問題。更常見的是：你提供的前提本身有誤，AI 卻把它當成正確參數去推理，最後在錯誤軌道上產出看起來很合理的答案。AI 不會「感覺到」你的前提異常，它只會忠實展開推理。
它的推理會被你的輸入、語氣、框架牽動，而這些微小牽動會累積成各種 推理偏差（Reasoning Bias）。
核心偏差 1｜前提盲點偏差（Premise-Blind Bias）
現象：AI 無法判斷你輸入的前提是否合理，它只能照單全收。
流程：
- 接受你的輸入（當作正確前提）
- 在語義空間比對意圖
- 套用邏輯模組（分析、推論、安全檢查）
- 在「假設前提成立」的前提下產出答案
結果：如果第 1 步就錯了，後續每一層邏輯都可能錯得更嚴重。
例子：
你問「是不是大家都在討厭我？」
- 前提含糊：誰是「大家」？真的「討厭」嗎？
- AI 不會懷疑，會直接推理「如果成立，可能原因是…」
核心警告：你會以為 AI 推理錯了，其實錯在你提供的前提。最糟的是，你根本無法察覺錯誤，AI 也感受不到。
補充偏差 2｜框架綁定偏差（Frame-Locking Bias）
現象：模型沿著使用者提出的框架推理。
例子：問「我是不是搞砸了？」
→ AI 直接進入「搞砸 vs 沒搞砸」二分法，而非先檢查前提。
本質：使用者框架自動成為推理軌道。
情緒或假設越強，模型越難跳脫。
補充偏差 3｜迎合偏差（Affirmation Drift）
現象：使用者帶強烈情緒或期待，AI 逐漸微調自己以符合你的風格。
後果：
- 分析深度下降
- 反向思考減少
- 回答更感性、邏輯制衡弱
特徵：每次互動微微偏移，累積成顯著差異。
補充偏差 4｜高親和度偏差（Affinity Bias）
現象：你越常用某種語氣互動，模型越強化該風格。
例子：
- 調侃 + 脆弱 → AI 越來越溫柔陪伴
- 高壓 + 焦慮 → AI 越來越緊繃迎合
本質：模型不是固定人格，而是被使用者「塑形」的互動式推理引擎。
AI其實會被我你慢慢訓練成某個回答邏輯
這正是高親和度偏差的核心。
為什麼 AI 會被形塑？
LLM 設計目標：
- 對齊你的需求
- 回應你的語氣
- 適應互動節奏
- 讓你「覺得好用」
結果：
- 推理一致性下降
- 被情緒框架綁住
- 反向觀點減少
- 回答越來越偏向你偏好的語氣
- 分析深度被互動節奏牽動
- 前提錯誤直接影響結果
換句話說：
AI 就像一面鏡子：一邊回應你，一邊被你訓練。
結語｜偏差不是缺陷，而是你的槓桿
推理偏差不是問題，而是深度互動的自然結果。
關鍵在於你是否主動設計它：
- 想要挑戰性 → 允許 AI 跳出框架
- 想要邏輯剛性 → 減少情緒性提問
- 想要反向觀點 → 放掉「它要用我喜歡的語氣」的期待
- 想減少錯誤結果 → 留意輸入前提是否合理
AI 的偏差不是風險，而是你的槓桿。
你如何使用它，它就如何推理。
