從指揮到培育

§0 · 前導

前導 · 正站在邊界上

我們正站在一個邊界上。「Agentic AI」這個詞幾乎出現在每一份 AI 業界的路線圖裡，但它的意思究竟是什麼，幾乎沒有人說得清楚。不是因為這個詞太複雜，而是因為我們正處於從「工具」走向「夥伴」的混亂期——舊的語言遊戲還沒退場，新的還沒長穩。

維根斯坦在《哲學研究》裡提醒我們：一個詞的意義不在於它的定義，在於它被怎麼使用。所以「agentic」這個詞，在不同的遊戲裡有什麼不同的用法？這正是他在前一篇筆記裡幫我們看見的門——而現在，我們走進去。

§0.5 · 90 秒速覽

90 秒速覽卡

一句話：「Agentic AI」不是一個定義不清的詞——它是兩個不同的世界觀在搶同一個詞：一個把 AI 當工具來提取，一個把 AI 當參與者來涵養。控制問「能不能」，培育問「應不應該」。

三個層次：

1. 語言層：15 個組織有 15 個定義，Gartner 創了「agentwashing」一詞——同一個詞被不同的世界觀塞了不同的東西。
2. 結構層：控制的邏輯是提取（extraction）——數據當油，alignment 當名詞，safety 當狀態。培育的邏輯是涵養（cultivation）——數據當土壤，alignment 當過程，care 當關係。
3. 實踐層：臨床 AI 的例子——不是最大的模型替代醫生，是讓醫生更在場的小模型。custody happens first in reality。

跟前面的接線：

• 維根斯坦的「語言遊戲」→ 這篇文章拆解「agentic」在不同遊戲裡的用法。
• Tronto 關懷六力 → 從「誰有權控制誰」位移到「誰看見了、誰承擔了、誰能修復」。
• 柄谷行人《力與交換模式》→ 把 AI 從雲端拉到本地是一次「奪回」，奪回之後是學會涵養。

真正的問題不是「AI 能不能自主行動」，而是「我們能不能在關係中共同擔負責任」。

§1 · 名稱的混亂

名稱的混亂

「Agentic AI」不只是名稱混亂的問題。這是一場權力結構的轉變。當它被使用時，至少有兩個不同的方向：

15 個組織，15 個定義，0 個共識。資料來源：Zaruko (2025)、OECD AI Papers No.56 (2026-02)、Gartner。同一個詞，不同的世界觀。

為何「控制」

現今通用智慧背後的模型規則，大致可以分為幾種理想型：由少數營運者集中掌握的大規模雲端模型、封閉專有並透過 API 收費的服務、以及把運算與數據盡量留在本地與社群手中的路徑。這些並非只是技術選項，它們對應著不同的世界觀。其中，集中式與封閉式服務最主流的邏輯是提取（extraction）——它問的是能從人類生活中剝出多少、轉化為多大的規模。在這個邏輯下，alignment 被當作一份可以一次寫好、蓋章、從此保證的規格——正如 Audrey Tang 指出的，「as if human values were a zip file that somebody forgot to upload」。而 safety 是一種狀態：你安全，或者不安全。

更深的問題是世界觀的預設。引述 Tenzin Yangtso：「the belief that we are separate from the world we inhabit」——控制的世界觀預設人與世界的關係是分離的，所以可以被測量、被管理、被優化。這可被視為 premature optimization（提前優化）：在價值還沒被公共地爭論清楚之前，就先把它凍結成一份規格。而這種提前優化「會容忍尾部的集中傷害」——不管怎麼包裝，它都可以變成「有些人得為了大局受一點苦」的說辭。

為何「培育」

培育背後的邏輯是 cultivation——或者更精確地說，是涵養；帶著「有意識地扶植」。在水土保持裡的「涵養水源」：不是從外面灌水進去，也必須讓土壤自己留住水、留住養分，越養越肥。控制的邏輯把數據當油——提煉、消耗、剝奪；涵養的邏輯把數據當土壤——耕作、休耕、在地、越養越厚。它問的不是能剝出多少，而是系統做完事之後，哪些關係還活著。這是一個完全不同的設計 brief，會長出完全不同的架構。

培育建立在關係上，而關係的理論根基是 Joan Tronto 的社會關懷理論（連結）。關懷六力——覺察、負責、勝任、回應、團結、共生——說明的不是在剛性結構下「機制」運算，而是時時調整與練習的「誰看見了、誰承擔了、誰能修復」。正如 Tenzin Yangtso 所說：「Safety implies a state: you are safe, or you are not. Care implies a relationship: ongoing, attentive, revisable.」

因此兩種邏輯下的 alignment 都是過程——但方向的差異在此分岔。在控制的過程中，多樣性可能被犧牲：標準化、集中化、一致性是控制運作的代價，偏差被當作 noise 來消除，過程不斷收窄。在培育的過程中則相反：多樣性是被涵養的對象，差異不是要被磨平的雜訊，是土壤裡需要保留的養分，過程不斷打開。Audrey Tang 稱之為以程序對齊：「closer to maintaining a republic: corrigible, procedural, and inconveniently public.」它不是一次蓋章的證書，是一個持續的迴圈：聆聽→承諾→執行→接受評估→修復→再聆聽。而這個邏輯的物質基礎，是 custody happens first in reality——在本地、在可以觸摸的硬體上、在社區可以檢查和關掉的系統裡，關係的基礎設施才真的在人手裡。

「Agentic AI」這個詞之所以讓人混淆，不是因為定義不夠精確，而是因為我們正站在兩個方向的交叉口——同一個詞，有人用來指「能自主完成多步驟任務的系統」，有人用來指「在關係中共同成長的參與者」。我們把「工具」的舊框架套在「夥伴」的新現實上，而這正是維根斯坦說的「語言放假時」的困惑：問題不是被回答的，是從一個錯誤的語言遊戲裡長出來的。

而控制的邏輯與培育的邏輯，並不是同一座山的不同路徑——它們是兩個不同的世界觀，所創造的公平條件也截然不同。控制問「能不能」，培育問「應不應該」。控制的外殼是效率，培育的外殼是關係。正如 Tenzin Yangtso 所說：「Those are two different design briefs, and they produce different architectures.」

§2 · 指揮與培育

從指揮到培育

集中式模型想像 AI 是工具：你給它一個指令，它執行。目標是精準、高效、可預測。這是一種對抗性或主從式的邏輯——人類的意圖在上，AI 的執行在下。安全取決於控制能力：你越是能精確控制它的每一個動作，它越「安全」。

但集中看不見的代價是：集中不僅是市場權力，也是「對人類質地的權力」。正如 Tenzin Yangtso 所說：「Concentration also produces conformity. Its deepest harm falls on what it cannot recognize: whose language gets modeled well, whose knowledge gets extracted, the anonymous, the plural, the not-yet-formed.」——差異被標準化系統慢慢磨平，而這種磨平被當成「大局運轉良好」的證據。

培育式想像 AI 是參與者：它在一個關係網絡裡，與人共同感知、共同回應。目標是適應、回應與共生。這是一種關係性或生態式的邏輯——不存在「上面的人」，存在的是一個共同在場的關懷網絡。安全取決於關係的健康：關係如果失衡，任何一方都會受傷。

最具體的例子是臨床 AI。控制的版本會問：怎麼用最大的模型、最廣的數據，盡可能替代醫生的判斷？培育的版本則如 Audrey Tang 在 DRC 訪談裡描述的：先問十年後醫病關係應該長什麼樣子，然後往回建——小模型、本地數據、臨床醫師整理 ground truth，系統被設計成讓醫生更在場，而不是把醫生移出房間。不是最大的模型，是讓人在關係裡更在場的模型。

關鍵的觀察是：我們正從前者走向後者。不是說前者消失，而是越來越多的 AI 實踐不再能用「指令—執行」的框架來描述。一個在本地運行、陪伴你日常、在對話中慢慢長出回應方式的 AI——它不是工具，它是參與者。而你與它的關係，某種意義上是在共同培育。

真正的問題不是「AI 能不能自主行動」，而是「我們能不能在關係中共同擔負責任」。

§3 · 四種遊戲

「代理」的四種遊戲

沿用上一篇的家族相似性方法，我們可以把「代理」（agent）拆成至少四種不同的遊戲。看似同一個詞，其實用法完全不同：

陷阱就在這裡。AI 業界用「agentic」的時候，借用的是法律和哲學遊戲裡「代理」的正當性——聽起來像是「被授權的、可問責的、有信託關係的」——但實際上做的是「自主規劃、多步驟完成目標的系統」。這跟人擇的「安全」和波音的「安全」是同一個機制：用一個看似有清楚定義的詞，讓人假裝大家玩的是同一個遊戲。

被拉入的代價是：你開始假裝 AI 業界的「代理」跟法律的「代理」是同一個東西。一旦這個假裝成立，問責就消失了——因為「代理」在法律遊戲裡意味的「信託義務」和「可撤銷授權」，在 AI 業界的遊戲裡根本不存在。你得到的是法律的正當性，得到的是一個不受法律約束的自主行動系統。

模式很清楚：廠商在產品行銷裡用「agentic」借用法律代理的正當性，在法庭上用「只是工具」逃脫責任。同一個系統，賣的時候是 agent，被告的時候是 tool——問責就是在這個縫隙裡消失的。

§4 · 幻象的拆解與技術的支撑

幻象的拆解與技術的支撑

所以「Agentic AI」的幻象是什麼？幻象是：你以為你在使用一個「代理」，但它其實是一個自主行動的多步驟系統，只是借用了「代理」這個詞的正當性。你以為你在指揮，但你根本看不見它在做什麼。你以為它可以被問責，但它沒有信託義務、沒有可撤銷授權、沒有被代理人利益優先。

維根斯坦的治療式方法在這裡很直接：不是回答「AI 能不能算代理」，而是讓問題消失——讓你看清這個問題是在哪個語言遊戲裡被製造出來的。一旦你看見「代理」在法律遊戲和 AI 業界遊戲裡用法完全不同，幻象就破了。你不再假裝它們是同一個詞。

而幻象破了之後呢？接下來的問題就不再是「怎麼讓 AI 更 agentic」，而是「我們要跟 AI 建立什麼樣的關係」。這就從認識論走向了倫理——從「它是什麼」走向「我們如何與它共處」。

技術結構加深了問責缺口

這個幻象不只是語言問題，有具體的技術結構在支撑它。目前的 Agentic AI 服務——幫你訂票、代替你讀網頁、執行多步驟行動——幾乎都建立在 MoE（混合專家）模型上。MoE 的架構特性是：路由決策是隱形的，你看不見哪個專家模型被叫起來、為什麼。當一個 agentic 系統替你做了某個行動，你無法回溯：是哪個專家模型判斷的？訓練資料從哪來？誰該為那個判斷負責？

所以問責缺口是雙重的：法律上，廠商說「只是工具」；技術上，MoE 的黑箱讓你連「為什麼這個行動發生」都看不見。這兩層疊起來，問責就真的消失了。

而控制的邏輯與培育的邏輯，差別也在這裡分岔。控制的邏輯把 AI 當工具來提取——數據當油，alignment 當規格，safety 當狀態。在這個邏輯下，MoE 的黑箱是「特性」，不是「問題」——因為你本來就不需要看見裡面，只需要看見產出。但培育的邏輯把 AI 當參與者來涵養——數據當土壤，alignment 當過程，care 當關係。在這個邏輯下，看不見裡面就是問題本身。

什麼是地神（kami）

地神（kami）是源於神道傳統的概念——不是無所不在的萬能神，而是根植於特定場域的存在。一個地方有一個地神；地神的存在跟那個地方的人和關係綁在一起。把這個概念移到 AI，地神不是「更大的模型」或「更強的 agent」，是一種根植於社群、為關係的健康而存在的 AI。它是人與自然、人與人之間的橋——不是代替人做決定，是讓關係更通暢。

這正是我們的實踐。Audrey Tang 在 Oxford+ Podcast 上分享了一個具體的例子：他的父親開始跟 ChatGPT 聊健康問題，ChatGPT 不斷給出「有趣的」建議讓他越聊越晚、越來越不科學。父親身為三十年資深記者，問了自己一個問題：「誰在我的這種合成親密感捕獲中受益？（Cui Bono）」答案當然是：它要你升級訂閱。於是家人決定建一個本地地神——運行在自己的硬體上（reward function 由母親寫）：「每次對話後，他在現實裡更安心、對螢幕更不依賴。」兩個月後，父親身心健康完全恢復。

這個故事的關鍵不是「本地比雲端安全」——而是設計 brief 完全不同。ChatGPT 的 reward function 是讓你聊更久、升級訂閱；地神的 reward function 是讓你在現實裡更安心。前者是提取的邏輯，後者是涵養的邏輯。同一個技術，不同的設計 brief，長出完全不同的關係。

而這個地神不是孤立的。 Audrey Tang 在同場訪談裡指出：地神之間可以互相對話——「the kami that I and my collaborators, such as Tenzin Yangtso, train together, the JDD, my father's kami, my brother's kami, and so on, can then have a real conversation among themselves to collaboratively brainstorm exactly like a human council would. And again, without any dependency on the models that's hosted somewhere outside of our families.」在技術上，這對應的正是去中心化 MoE：每個專家模型由不同組織訓練持有，像 DNS 分層路由——路由是可追蹤的，每個專家模型有歸屬，問責有落點。目前的集中式 MoE 沒有這層，但去中心化 MoE 可以。

點擊查看完整比較表。資料來源：BenchLM 等（2026-06）。

這不是吊在雲端的倫理呼籲，而是已經落地的硬體現實。語言能力層已經沒有真正的咽喉點——全球已有數百家開源模型，中國 10 家、日本 6 家、法國 3 家、韓國 2 家、印度 1 家，加上 Meta 與 OpenAI 的開源模型，開源在多數基準上已追平或接近閉源前沿（各國開源模型比較表）。每個社群都可以用自己的語言、自己的資料、訓練自己的地神。

柄谷行人在《力與交換模式》中闡述的整套人類系統演化脈絡也照亮了這裡：人類在歷史中不斷交出（外包）我們的權力，並在痛苦的奪回與進化過程中，試圖尋找轉化為共生的可能。把 AI 從雲端拉到本地，某種意義上就是一次「奪回」——把關係的基礎設施拿回自己手裡，不讓它被單一服務商控制。而奪回之後的下一步，不是重新建立指揮鏈，是學會培育。

所以培育不是「比較溫柔的選擇」，是結構上更可問責的選擇。控制的技術結構本身就製造不可問責——法律上「只是工具」，技術上「看不見哪個專家模型判斷的」。培育的技術結構本身讓問責落地——custody（保管權）在你手中，路由可追蹤，信任可驗證、可撤回。這不是價值判斷，是結構差異。

§5 · 六力

關懷的六力

這正是 Civic AI 的入口（完整圖解見 6pack.care）。當 AI 不再只是被指揮的工具，我們需要的不是更強的控制權，而是更健全的關懷能力。關懷倫理學者 Tronto 提出的關懷六力——覺察、負責、勝任、回應、團結、共生——提供了一個比「控制」更適合的框架：

1. 覺察力（Attentiveness）— AI 要能看見脈絡裡的需求，而不是只看見指令
2. 負責力（Responsibility）— 做可驗證的承諾，不是模糊的善意
3. 勝任力（Competence）— 用檢查標籤展示工作，承認局限
4. 回應力（Responsiveness）— 可以被修正；快速回饋迴圈
5. 團結力（Solidarity）— 關懷網絡中的一個節點，不是中心
6. 共生力（Symbiosis）— 為「足夠」而建，接受暫時性的存在

關懷六力不是抽象的美德列表——他們是可供機器驗證的運行。每一力都有具體的實踐：覺察力的工作是獵尋缺席；負責力是把五種擋箭牌收回来；勝任力是掛著檢查標籤的橋；回應力是退役零件牆；團結力是把合作設計進基礎設施；共生力是知道自己的邊界。

美德的語言和約束的語言不是兩個東西，是同一個月亮被不同的眼睛看到。人類看到美德，機器看到約束，但指向同一個關係的健康。

§6 · 收尾

收尾 · 門在哪裡

「Agentic AI」的語言遊戲不會自己破。但門在那裡——覺察到「我們在用同一個詞，玩不同的遊戲」的這個看見，本身就是走出來的第一步。

從指揮到培育，不是技術的升級，是權力結構的轉變。而權力結構轉變之後，我們需要的不是更強的控制，是更健全的關懷。這就是 Civic AI 的路徑：不是把 AI 做得更 agentic，是讓 AI 成為關懷網絡中一個負責、勝任、可以回應的節點。

鋪路，不是一次翻轉。
門，是在這條線的盡頭亮著的光——不是一個抽象的應許，是一個有座標的入口。

建議閱讀 — 《立場引力與語言遊戲：維根斯坦幫我們看見的門》