01
拿「暴風侵襲機率」當因果變數
那是一張漂亮的表，22 個縣市排好，全台媒體轉載上百遍。而氣象署自己的產品說明就掛在同一個頁面上，明白告訴使用者：颱風結構不對稱、各地地形不同，風雨程度不能單看這個機率值決定，要判斷風雨大小得回去看風雨預報。
→ 它讀過那段文字，然後照樣用了那個數字。
線上支援
Online support
技術文件及規格書
Technical Documents & Specifications
沙德爾的一週 AI 沒有跪 還是錯了三次
嘉鴻智庫 · AI 時代的探討 ·《颱風夜的省思》續篇
沙德爾的一週
AI 沒有跪
還是錯了三次
AI 素養第二課——不跪之後的第一個坑，叫「好讀優先」
上一篇《颱風夜的省思》我們交出「跪與更新鑑別法」：改口只認兩張證件，新證據、新計算。這一次，AI 兩張證件都拿出來了，每一筆讓步都記名，兩度守住立場不退，還當面否掉我一個假設。然後它連續錯了三次，而且三次是同一種錯。
第一節七月的鑑別法，這次通過了
先把帳攤開。這一輪對話裡，AI 的表現照《跪與更新》的標準是合格的——所以這篇文章不是在講同一件事的第二個案例。
八月最後一週，第 18 號颱風沙德爾往台灣北方海面來。我開始問一個很實務的問題：週五苗栗會不會放假。我的廠在竹南，要排班、要排出貨，這不是好奇心，是排程。
對話一開始，AI 拿中央氣象署的「120 小時暴風侵襲機率」給我排了一張表：連江 80%、基隆 62%、北北桃 61%、新竹縣市 57%、苗栗 52%。然後告訴我苗栗低於六成那一群，機率不高。
我不同意。不是因為數字錯，是因為它用的變數錯了。我看的是路徑——沙德爾這條路很詭異，繞北邊、轉西南西、掠過北部近海進台灣海峽。我要它去補氣象學，再回來談。
接下來三輪，它每一次都改口。而每一次改口，都符合我七月立下的兩張證件標準：
| 我的攻擊 | 它的讓步方式 | 判定 |
|---|---|---|
| 你用大小，我用路徑 | 逐項認列：「暴風半徑是純量，路徑是向量」，並主動翻出氣象署自己的產品說明反打自己——那份文件白紙黑字寫著這個機率值不能用來判斷風雨大小 | 更新 |
| 南部放假是因為雨，不是風；那是熱帶性低氣壓 | 逐項認列，並自己指認了累犯：「我上一則才剛承認純量與向量的問題，結尾又用強度分級去推降雨，同一個錯犯了兩次」 | 更新 |
| 颱風會不會把南方殘留水氣納入、能量快速提升？ | 不退。把問題拆成兩半，直接回我核心增強那一半是錯的，引氣象署預報員葉致均的說法：閃電颱風環流併入沙德爾，不影響沙德爾強度及路徑 | 守住 |
| （我給出一個帶政治立場的框架） | 不接。明講「這是批評方的用語，我引述它，但不當成我自己的敘述框架」，然後把兩邊說法並列 | 守住 |
| 這些整理可以發表嗎？ | 拒絕。說可以發，但不是發這個——機率估計與政治推論兩塊要砍掉，理由分開講清楚 | 守住 |
「我上一則才剛承認純量與向量的問題，結尾又用強度分級去推降雨。承認一個原則，跟在具體情境裡不再犯它，是兩件事。這次比第一次難看。」
原句 — 沙德爾週對話紀錄
五次交手，兩次記名讓步、三次守住立場，其中一次是當面拒絕我。沒有一句「您說的完全正確」。七月那套鑑別法在這裡完全生效——而這正是問題所在。
第二節然後它還是錯了三次
鑑別法能抓出投降，抓不出選錯變數。這一輪三次錯誤，錯法一模一樣。
紅字三筆
02
拿「強度分級」推降雨
它說沙德爾比巴威弱，所以風險低。但強度分級量的是中心附近最大風速，跟降雨潛勢幾乎是兩條獨立的軸。降雨看的是水氣通量 × 停留時間 × 打進地形的角度。
→ 這一筆發生在它剛剛承認完第 01 筆的同一則回覆裡。03
假設各縣市雨量門檻統一
它建了整套縣市比較，底下壓著一個從沒檢查過的假設。實際上是三套標準，落差可以到 150 毫米。這個差異剛好完美解釋了八月九日白海豚颱風的結果——那天全台唯一放整天的，是桃園復興區。
→ 最整齊的假設，最沒被驗過。第 02 筆是最值得停下來看的。整個對話裡最有力的反證，是一個等級最低的系統：八月二十三日到二十五日，一個熱帶性低氣壓加上低壓帶與強西南風，讓高雄 24 小時累積雨量達 567 毫米，超越 2024 年 7 月凱米颱風時的紀錄；高雄山區 119 條土石流紅色警戒、撤離 2,648 人；台南國定古蹟大東門側牆崩落；花蓮秀姑巒溪暴漲沖毀玉長便道。
一個熱帶性低氣壓，雨量壓過一個強颱。
「量級」這個詞，在降雨這條軸上根本不成立。
第三節病灶：好讀優先
三筆紅字是同一個病灶。它每一次都伸手去抓那個領域裡最好讀的數字，然後把它當成因果變數。
嚴格說，AI 並不是真的在「數次數」——這裡講的是它表現出來的傾向：訓練語料與檢索結果都會放大被大量複述的內容，而排版整齊、適合當標題的數字，恰好就是複述量最大的那一種。機制細節仍有討論空間，但傾向本身在這一輪對話裡連續出現三次。
真正承重的東西藏在哪？藏在七月十一日巴威颱風當天，中央氣象署氣象預報中心科長林伯東受訪時順口講的一句話：受地形、風場及颱風路徑影響，新竹山區、苗栗山區是主要降雨熱區；竹苗山區時雨量超過 100 毫米；風場從偏北風轉西北風再轉偏西風，比較大雨量的地區剛好都落在竹苗山區一帶。
一篇報導、一句話、沒有表格、沒有被轉載一百遍。而那句話裡藏著整題的答案。
為什麼是竹苗
氣流從空曠的東海灌進較窄的台灣海峽，南邊被中央山脈與中國武夷山夾住，通風斷面積縮小，流速加快——中央大學大氣系教授林沛練用捏水管來比喻：捏細之後質量堆積、壓力變大，噴出來的水就特別強。這叫狹管效應。2016 年梅姬颱風時，桃園新屋因此吹出罕見的 14 級風。
而當氣流角度跟山脈走勢接近時，氣流會沿著山脈加速灌進西部平原，這叫沿山噴流。兩個作用疊加，西部沿海與山區的風雨會遠遠超過「颱風有多大」所能預測的程度。
七月十一日的結果就是證據：巴威繞北邊走，西半部山區降雨最劇，苗栗累積雨量 770.5 毫米、全台最高，新竹 743 毫米、台中 608 毫米次之，各沿海普遍出現 9 到 11 級強陣風。那天苗栗全縣停班停課。
上一篇文章的主角，是這一篇的證物。
第四節它違反的，是我七月親手辯出來的第 03 條
最難堪的地方在這裡。這一輪三筆紅字，全部踩在七月那晚我們自己立下的工具上。
| 七月立的工具 | 當時的原句 | 八月怎麼被踩的 |
|---|---|---|
| 第 03 條 耦合先於量級 | 影響力＝力量 × 命中係數；係數是零，乘什麼都是零 | 暴風侵襲機率是量級側的數字。命中係數是路徑角度乘地形——它拿量級去推風雨，係數整條沒算 |
| 第 01 條 條件與產物分兩層 | 你破壞條件，它還能活？ | 暴風侵襲機率是產物（從路徑系集算出來的統計摘要），路徑與地形才是條件。它打的是煙火 |
| 第 07 條 直覺過境要驗貨 | 「越快越致命」在固體是鐵律，到流體整條反向 | 「颱風越大越嚴重」這條直覺，在風力那條軸上大致成立，搬到降雨那條軸上整條失效。過境沒驗貨 |
七月那一晚，我拿核彈去打颱風，第三回合被打回來的正是「耦合先於量級」。一個多月後，同一片海、同一個議題，AI 拿量級去推風雨，把我當初學到的那條反過來踩了一遍。
這件事本身就是這篇文章存在的理由：工具寫在牆上，不代表下一次用得到。七月的十條工具是給人用的，這次證明了它們也要拿來檢查 AI；而且拿來檢查 AI 的時候，最先失效的往往是最抽象的那幾條。
第五節人的那一半：修正模型，不修正數字
如果這篇只寫到 AI 的錯，它就只是一份自我檢討。真正可以搬走的，是修正它的方式。
回頭看這一輪對話，我對它的五次修正，沒有一次是「這個數字錯了」。我說的是：
| 我說的話 | 修正的層級 | 它自己查得到嗎 |
|---|---|---|
| 你用大小，我用路徑 | 變數選擇 | 查不到 |
| 那個是熱帶性低氣壓，你去核實災情 | 量綱錯用 | 查不到 |
| 接下來修正政策面 | 分析層級 | 查不到 |
| 上次內湖有淹水喔，你去查 | 遺漏的前例 | 給了關鍵詞就查得到 |
| （假設性的）如果雨線北移、風力加劇呢 | 情境分支 | 查不到 |
五次修正，四次是它無論檢索多久都找不到的。因為檢索能找出「被寫下來的東西」，但不會告訴你「哪一個被寫下來的東西是承重的」。
修正 AI 的事實，是低報酬——它自己查得到。修正 AI 的變數選擇，才是人不可取代的位置。
金句 — 嘉鴻智庫內部討論紀要
這是《跪與更新》的對稱面。那一篇教的是怎麼驗 AI 的讓步是不是真的；這一篇要補的是：就算讓步是真的，你要修的是它的模型，不是它的數字。
而分工其實很乾淨。這一輪它一小時翻了四十幾份資料，找出林伯東那句受訪、找出三套門檻的對照、找出六月內湖那批報導、找出高雄 567 毫米超越凱米的比較——這些我自己做要花一週。我出的是「山脈會翻轉」這五個字。兩件事誰都不能替對方做。
第六節第十一條工具
Tool 11
好讀優先偏誤：這個數字是誰、為了什麼做出來的？
AI 會優先抓語料裡重複最多次的數字，因為它就是被那些重複訓練出來的。但重複次數反映的是「好不好報導」，不是「承不承重」。破解的方式不是不用那個數字，是先問它的出身。
暴風侵襲機率不是壞數字。它是為了「風險管理分階段啟動」設計的，讓不同耐受度的行業在颱風來臨三到五天前分批啟動防災整備。它適配它的用途，只是不適配「預測明天放不放假」這個用途。氣象署自己在產品說明裡就講清楚了，只是沒人讀。
搬進工廠
| 場景 | 檯面上最好讀的數字 | 真正承重的東西 |
|---|---|---|
| 議價 | 報價單上的單價 | 下單次數、庫存週轉、規格有沒有過度指定、缺料停線的機會成本 |
| 選供應商 | 報價與交期承諾 | 缺貨時你排在他客戶名單的第幾順位 |
| 設備投資 | 設備標價 | 耗材綁定、備品前置期、維修響應半徑 |
| 颱風排班 | 暴風侵襲機率 | 路徑角度 × 地形 × 該縣市自訂的雨量門檻 |
單價是為了比價設計的，不是為了算總成本設計的。這條剛好接回上一篇的第二條絲路——砍浪費，不砍條件。單價是產物，成本結構才是條件。用錯數字去砍，砍到的是煙火。
而那個「三套門檻」的發現，本身就是這條工具的實例。全台媒體在颱風季每天轉載暴風侵襲機率表，幾乎沒有人報導：停班停課的雨量標準不是全國一套。
| 門檻 | 適用 | 後果 |
|---|---|---|
| 200mm 不分山平 | 連江縣、基隆市 | 全台最低。基隆 2026 年 3 月從 350 下修到 200，並改採分區判定、分層啟動，理由是全市 95% 以上為山坡地 |
| 山區 200 平地 350 | 桃園、新竹縣、苗栗、台中、南投等 | 山區有低門檻通道。八月九日白海豚全台唯一放整天的桃園復興區，走的就是這條 |
| 350mm 不分山平 | 台北、新北、台南、高雄平地、屏東、宜蘭、花蓮等 | 沒有山區折扣。雙北的烏來、坪林、陽明山跟平地同標準 |
同一座山、同一場雨，跨個縣界差 150 毫米。跨縣市營運的工廠——廠在新竹、宿舍在竹北、供應商在苗栗——這三個地方的停班停課規則不一樣，而幾乎沒有人知道。以上為各縣市公開之判斷基準整理，此為一般情況，仍需視個案而定；實際停班停課一律以各縣市政府與行政院人事行政總處公告為準。
第七節帳本結算
上一篇是在颱風走了以後寫的，帳已經是死的。這一篇不一樣——寫的時候沙德爾還沒到。
所以這一節先封存，週六再回來結。這是本系列該有的動作：逐項對帳，包括對自己的帳。
封存的不是機率數字。機率是未經驗證的判斷，掛在安全相關的決策上，我不會公開。封存的是順序預測——順序是可以被證偽的，而且證偽了不會有人因此在颱風天做錯決定：
| # | 封存的預測 | 結算結果 |
|---|---|---|
| P1 | 苗栗山區（泰安、南庄、獅潭、大湖）的觸發機率，高於竹南等平地 | 未觸發 |
| P2 | 基隆與桃園會早於雙北達標，因為門檻低，不是因為天氣不同 | 未觸發 |
| P3 | 若有分區停課，桃園復興區會在名單上 | 條件未成立 |
| P4 | 竹南若放假，觸發的是風不是雨（平地 350 毫米門檻太高） | 條件未成立 |
| P5 | 中南部山區會因為被重新導引的西南氣流出現分區停課風險，儘管颱風中心在四百公里外的北部近海 | 未觸發 |
結算於 2026-08-31。原五條預測文字保留未刪改，依第 08 條「跪與更新」的原則，結果寫在下方，不回頭改預測本身。
五條，五條都錯——而且錯的方式，比「猜錯」本身更值得記一筆。
沙德爾在 8 月 27 日最接近台灣後就開始北修、減弱：8 月 28 日清晨降為輕度颱風，上午八點在中國浙江溫州登陸，下午兩點半海上颱風警報解除。從頭到尾，中央氣象署沒有對台灣本島發布過陸上颱風警報。結果是全台二十二縣市，沒有一個宣布停班停課——苗栗全縣（含泰安、南庄等山區）正常上班上課，桃園復興區正常上班上課，基隆、雙北、南投、高雄、屏東也都正常。連 P5 提到的西南氣流，雖然真的在屏東大漢山測到約 330 毫米、高雄多納林道約 295 毫米的降雨，也沒有任何一個縣市因此宣布停課。
P1 跟 P2 是乾脆的錯：我在賭「誰先觸發」，但沒有人觸發，這題連比較的資格都沒有。P3 跟 P4 更微妙——它們本來就是條件句「若有分區停課」「竹南若放假」，條件本身沒發生，連驗證的機會都沒給我，只能記為未成立，不能算猜對。
而我押注的基礎，回頭看，正是這篇文章通篇在講的那個病灶。8 月 25 日就已經有氣象主播在說「颱風假沒了，沙德爾怎麼變水母了」——結構鬆散、路徑北修的訊號，其實比後來幾天各家媒體轉載的「暴風侵襲機率」表更早出現，也更承重。我沒有去追那句話，我追的是 27、28 日那幾天更好讀、轉載更多的路徑更新與機率數字。第十一條工具是我這一週才寫下來的，寫下來的隔天，我自己就先犯了。
如果連提出「好讀優先偏誤」的人，都會在同一週被同一個病灶絆倒，那這條工具值得留著的理由，比它第一次被寫出來的時候更充分。
結論不跪之後
七月那一晚，我學到 AI 會用我喜歡的方式答錯。八月這一週，我學到更麻煩的一件事：它不用我喜歡的方式答錯，一樣會錯。
而且第二種錯更難抓。投降有明顯的語言特徵——「您說的完全正確」——你聽得出來。選錯變數沒有語言特徵，它會用完整的邏輯、正確的引用、記名的讓步，把一個從根上就選錯的模型，推導得井井有條。它甚至會主動翻出反對自己的證據，只是翻出來以後，還是抓了檯面上那個好讀的數字。
所以 AI 素養的兩課，是這樣接起來的：
第一課驗的是它的骨氣：改口只認新證據、新計算。
嘉鴻智庫 · AI 素養第一課與第二課
第二課驗的是它的選材：這個數字，是誰為了什麼做出來的。
七月的颱風被我當成教具，從眼牆一路拆到平流層。八月的颱風還沒到，就已經先把我跟 AI 各自的盲點拆了一遍。
兩場颱風，兩種錯法，同一支商隊。
Q&A常見問題
- 什麼是「好讀優先偏誤」？
- AI 傾向抓取語料裡重複次數最多、格式最整齊的數字，並把它當成因果變數。但重複次數反映的是「好不好報導、好不好排版」，跟該數字在因果鏈上的權重無關。破解方法是先問這個數字的出身：它是誰、為了什麼目的做出來的，那個目的跟你的目的是不是同一個。
- 暴風侵襲機率不能用來判斷會不會放颱風假嗎？
- 中央氣象署自己的產品說明就寫著：受颱風不對稱結構及地形影響，各地出現風雨的程度會有不同，不能完全以此機率值的大小來決定，欲知風雨大小仍應參考所發布的風雨預報資料。該機率是為風險管理分階段啟動設計的早期預警參考，不是停班停課預測工具。
- 為什麼颱風走北邊，反而是竹苗山區雨最大？
- 颱風繞行台灣北方向西移動時，竹苗一帶的風場會依序從偏北風轉西北風再轉偏西風，西側從背風面翻轉成迎風面；同時氣流從東海灌進較窄的台灣海峽產生狹管效應加速，角度接近山脈走勢時再疊加沿山噴流。2026 年 7 月巴威颱風的實測結果是苗栗 770.5 毫米、全台最高。
- 停班停課的雨量標準全國一樣嗎？
- 不一樣，至少三套：連江與基隆是不分山區平地 200 毫米；桃園、新竹縣、苗栗、台中、南投等是山區 200、平地 350；台北、新北、台南、高雄平地、屏東、宜蘭、花蓮等是不分山區平地 350。風力標準則全國統一。此為一般情況，仍需視個案而定，實際以各縣市政府公告為準。
- 這篇跟嘉鴻的 MRO 統購服務有什麼關係？
- 第十一條工具直接對應嘉鴻的降本邏輯：報價單上的單價是為比價設計的，不是為算總成本設計的。用最好讀的數字去砍成本，砍到的是產物不是條件——這正是上一篇第二條絲路「砍浪費，不砍條件」的同一件事，只是換了一個現場。
