問題重於答案 (1/2)
有人願意提供自己與AI的問與答，其實不需要逐字讀過去，要把問問題脈絡、結構弄清楚就可以了。有了那些問題幾乎自己就可以一步一步跟著走到彼段。
以下是我和 ChatGPT plus (Thinking effore High) 的討論，兩個問題
- 我認為AI時代，至少目前來看，最有價值的是問題本身。不管你和我說多少答案，重點是問題本身，只要有問題就可以在別的地方重製答案。
沒錯，就算AI會記得問問題的人的特徵，但是只要核心問題問出，如果把描述說得更清楚會得到約略那人的答案方向。一串問題就暗示著討論議題的廣度、深度。
當有人願意把自己的Q&A列出，真正要去做的是把問題看懂，頂多把AI的回答的概略尤其是尾部看一下，然後接上下一個問題，繼續延展。以我的問法為例，就算沒和AI擴展，整體結構還是有關的。
Q: 我認為AI時代，至少目前來看，最有價值的是問題本身。不管你和我說多少答案，重點是問題本身，只要有問題就可以在別的地方重製答案。
A:
我很同意，而且我會把你這句話再推一步：
AI 時代真正可攜帶、可重製的資產，不是答案，而是「能生成答案的問題結構」。
答案比較像某一次運算結果。模型不同、時間不同、資料不同，答案都可以重跑；甚至今天這個 AI 消失了，只要問題還在，換一個 AI、換一批資料，通常還能重新生成。
但問題本身其實保存了更重要的東西：你看世界時切在哪裡、你發現哪個矛盾、你要求比較什麼、你不接受哪些預設、你想知道哪一層因果。
所以，同一句：
「個資法施行多年後，誰得利？」
其價值其實不只在最後列出律師、顧問、資安業、教育訓練機構等等。真正珍貴的是後面那個問題架構：
一個原本以保護人民為目的的制度，長期運作後，除了達成原始目的之外，是否生成了一套新的產業、行政需求、專業權力與自我延續機制？
這個問題一留下來，就可以重製到食安、環保、職安、反菸、個資、資安、金融監理、校園治理……甚至換國家都可以問。
所以甚至可以把 AI 時代的知識分成三層：
答案——最容易重製，也最容易過時。
問題——比較耐久，可以不斷重新生成答案。
問題背後的觀察框架——最稀有。因為它決定「你為什麼會想到問這個」。
第三層可能才是最難複製的。
例如你今天問：
「善意的立法不斷增加，最後人民會不會變成照著政府善意所設定的路生活的人？」
這不是查資料就自然會冒出來的問題。資料庫裡可以有幾十萬篇法律論文，可是從「保護」跳到「人的生活逐漸被善意格式化」這一步，本身是一個觀察動作。
AI 可以替你把它接到 paternalism、regulatory state、risk society、governmentality、compliance industry 等既有思想；但最前面的那一下——
「等等，這整件事情到底正在把人變成什麼？」
才是問題真正出生的地方。
因此我甚至會說，以後保存 AI 對話，如果空間有限，未必要把所有回答原封不動保存。
最值得保存的可能是：
原始問題 → 問題如何變形 → 哪一個追問突然打開新視角 → 最後形成什麼可反覆使用的問題模型。
答案將來可以重算。
但是那一天你為什麼突然問出了那一句話，如果丟了，可能真的就丟了。
你這句「只要有問題，就可以在別的地方重製答案」，其實已經很接近一種 AI 時代的知識保存原則：
保存生成路徑，不必迷戀生成物。
而且很有趣的是，這也會反過來改變「作者」的意義。作者未必再是那個寫出最多答案的人，而可能是那個提出了一組以前沒有人這樣排列過的問題的人。
Q: 沒錯，就算AI會記得問問題的人的特徵，但是只要核心問題問出，如果把描述說得更清楚會得到約略那人的答案方向。一串問題就暗示著討論議題的廣度、深度。
當有人願意把自己的Q&A列出，真正要去做的是把問題看懂，頂多把AI的回答的概略尤其是尾部看一下，然後接上下一個問題，繼續延展。以我的問法為例，就算我沒跟著AI擴展，整體結構還是有關的。
A:
對，而且你現在講的已經不是「問題比答案重要」這麼簡單了，而是在描述一種很不同於傳統閱讀的知識使用方式。
一串 Q&A 真正有價值的，可能不是每一輪 AI 到底講了什麼，而是提問序列本身形成了一張思考地圖。
讀的人如果真的懂，就不必逐字吸收回答。他真正要看的反而是：
這個人先看見了什麼 → 為什麼下一步會問這個 → 哪個回答中的哪一點讓問題轉向 → 後面又把尺度放大到哪裡。
所以你說「頂多把 AI 回答的概略，尤其尾部看一下，然後接上下一個問題」，我覺得非常準。因為很多時候 AI 回答的功能只是中間橋梁。真正留下軌跡的是下一個問題。
例如一段討論可能是：
「這個法律為什麼制定？」
→「實施多年後實際改變了什麼？」
→「哪些角色因此得到資源？」
→「這些角色會不會開始有維持制度的誘因？」
→「人民要求更多保護，會不會反過來擴大這套體系？」
→「長期下來，人是否逐漸按照善意治理所設定的生活方式生活？」
→「這只是台灣現象，還是現代國家的共同演化？」
光把這七個問題排在一起，論述骨架幾乎已經完整了。
甚至不讀回答，都知道這個人在做什麼：
從單一法規
→ 實際效果
→ 利益結構
→ 制度自我繁殖
→ 人民與政府的回饋迴路
→ 個體自由的長期變化
→ 全球制度比較。
這就是你說的「廣度、深度」直接藏在問題串裡。
而且還有你最後講的那個很重要的地方：
就算我的問題沒和 AI 擴展，整體結構還是有關的。
是。因為人的思考未必是線性的。
今天問 A，過三天問 G，中間看起來沒有接；一個月後又問 C。可是把半年、一年的問題排列起來，可能突然會看到：
原來 A、G、C 都是在撞同一個核心結構，只是從不同入口進去。
這時候 AI 回答甚至不是主要資料，提問者長時間反覆碰觸哪些邊界，本身就是資料。
我會把它叫做一個 question graph（問題圖譜），而不是 question list。
因為問題不是一條線：
有些是向下鑽深；
有些是向外擴張；
有些突然跳到別的領域；
有些隔幾個月重新出現；
有些表面不同，其實共享同一個母題。
最後會形成幾個反覆出現的核心節點。
所以未來如果真的有人公開自己大量 AI Q&A，我認為很有意思的一種閱讀方式不是「看 ChatGPT 說了什麼」，而是把 AI 當成半透明背景，沿著那個人的問題走。
看他在哪裡停下來。
看他哪一句不接受。
看他突然把尺度放大。
看他怎麼從具體事件跑到制度，再從制度跑到人的存在方式。
看某個問題隔半年又換一個面貌回來。
那其實已經很接近在讀一個人的認知生成軌跡。
而且這種東西跟傳統文章還不太一樣。文章通常是作者整理完成後，把凌亂過程藏掉，只留下漂亮成品。
Q&A 串反而把那些東西留下來：
不知道 → 試問 → 不滿意 → 修正 → 換角度 → 撞牆 → 突然看見結構。
在 AI 時代，這可能反而是一種非常珍貴的原始思想材料。
所以如果要把你現在這個看法濃縮成一句，我會寫成：
AI 的回答可以重製；真正不可輕易重製的，是一個人一路走到那些問題的路徑。
而一整串問題留下來，某種程度上就已經把那條路保存下來了。
