落合陽一的 AI 修煉之道：提升努力的「旋轉速度」

不是把努力委託給 AI，而是提高努力的「轉速」

生成式 AI 讓你不用花費力氣就能產出成果。

AI 會寫文章。

AI 會創作圖像。

AI 會摘要文件。

AI 會實作程式碼。

AI 會處理資訊蒐集。

這樣看來，AI 就像一台減少努力的機器。

然而，追蹤落合陽一的 AI 使用方式，會發現截然不同的樣貌。

他並不是用 AI 來減少思考量。

他是在相同的時間內，增加能驗證的假說、能調查的範圍、能製作出來的原型，以及從失敗到下一次嘗試的速度。

重點不是用 AI 輕鬆完成單一任務。

而是讓過去只做一次就結束的任務，現在可以重做十次、一百次。

換句話說，他用 AI 放大的不是天賦本身，而是努力的轉速。

在他的 2023 年官方藝術家聲明中，落合提到他持續與大型語言模型對話，從早到晚，大約兩個月。到了 2025 年，他導入了一種工作流程：同時啟動 ChatGPT、Gemini、Grok、Claude 等多個 AI，並依流程分配研究、圖像生成、實作等任務。更進一步，到了 2026 年，他不只是使用現成的 AI 服務，還推出了離線運行的「vibe-local」以及跨越多個 AI 供應商的「co-vibe」等程式碼 Agent。

這不是一般人想像中「用 AI 節省時間」的行為。

長時間與 AI 對話。

比較多個模型。

多次重做輸出。

設計使用環境本身。

遇到不透明的地方就自己打造工具。

再用 AI 驗證自己打造的工具。

連結到研究、作品、空間與身體。

他不但沒有用 AI 消除努力，反而因為使用 AI，讓自己承受更多嘗試。

這篇文章中使用的「努力的天才」這個詞，並非他自稱的頭銜。這裡是用來描述從落合陽一的公開聲明、著作、作品與釋出的軟體中所看到的工作結構。他的官方簡介稱他為媒體藝術家、筑波大學教授、東京大學副教授，以及 2025 年大阪・關西萬博的主題專案製作人。

此外，並非落合所有的 AI 對話記錄或日常工作記錄都是公開的。以下內容是根據公開可得的案例，分析他行動背後的努力設計。

1. 對落合陽一來說，努力不是「長時間受苦」

一般人聽到「努力」這個詞，很多會聯想到忍耐。

睏了還是坐在書桌前。

即使痛苦也繼續下去。

閱讀大量文字。

反覆練習相同的事。

比別人工作更久。

當然，有些工作需要堅持與耐心。但如果只用工作時間長度來解釋落合的工作，就會錯過本質。他的強項不僅在於增加努力的量，更在於從單次努力中獲得更多資訊。

針對同一個主題，他不只問一個 AI，而是同時丟給多個 AI。不只靠文字思考，還轉換成圖像。不只觀看圖像，還做成會動的原型。不只完成原型，還讓它在實體空間中運作。發生問題時，他不只是手動修復，還會改變工具或系統，避免同樣問題再次發生。

這種工作方式可以用以下公式來捕捉：

成果品質 = 探究品質 × 嘗試次數 × 驗證力 × 實作速度 × 來自現實的反馈

生成式 AI 大幅提高了嘗試次數與實作速度。但並不會自動提高探究品質、驗證力或來自現實的反馈。事實上，隨著輸出增加，需要判斷的量——相信什麼、捨棄什麼、修正哪裡——也隨之增加。AI 時代的努力，從逐字輸入的任務，轉變為持續選擇方向的任務。

落合風格的 AI 使用方式，不是把努力歸零。而是將努力的重點從低價值的重複，轉移到高價值的判斷。

2. 不要等到想出完美問題才打開 AI

不擅長使用 AI 的人，往往想把第一個提示詞（prompt）寫到完美。他們覺得必須寫清楚目的、整理條件、指定角色、決定輸出格式。想著想著，就變成一項苦差事，最後乾脆不用 AI。

落合的方法正好相反。在 2025 年出版的《連貓咪都能懂的生成式 AI》一書的節錄中，提到如果不知道怎麼用 AI，就問 AI 本身怎麼使用，用語音跟它對話來取得感覺，如果它回答的內容跟你想的不一樣，就讓 AI 反過來訪談使用者。這裡的關鍵是，不要由人類獨自完成「問題的準備」。

舉例來說，假設你正在思考一個新專案，但自己還無法說清楚目的。通常你會先自己整理好，再去諮詢 AI。但你也可以這樣開始：

我正在思考一個新專案，但自己還無法說清楚目的。請你一次問我一個問題，幫我釐清目標對象、要解決的問題、可用資源、以及要避免的事項。如果我的回答出現矛盾，請當場指出。

然後，與 AI 的對話本身就成了需求定義。你想觸及誰？為什麼要做？目前有哪些替代方案？預算多少？什麼情況算失敗？哪些部分不能妥協？你不是給 AI 一個完整的指令，而是透過與 AI 對話來完成指令。

這個差異非常大。如果先試圖寫出完美的提示詞，你只能寫出自己已知範圍內的東西。讓 AI 來提問，你就能注意到自己還沒想到的條件。AI 不僅是回答機器，更成為發現人類模糊性的提問裝置。努力的天才，不是一開始就擁有正確探究的人，而是能在模糊狀態下開始，並在互動過程中提高探究解析度的人。

3. 先用語音捕捉腦中浮現的想法

人類的思考不一定以句子的形式出現。你可能覺得某件事似乎很有趣，或者昨天的對話跟今天看到的某個圖像連在一起。你可能有一種無法解釋的違和感，或是一個無名的畫面。在這種狀態下試圖寫成句子，反而會阻礙思考。你會開始編輯——修正第一句、檢查詞義、補充背景、或重新排列邏輯。本來是為了記錄想法，結果中途變成了編輯。

2023 年，落合寫了一種方法，將語音辨識工具 Whisper 與 GPT-4 結合，以數位方式補充自己。他指出，想法的脈絡可以之後再補上，這樣就能把花在解釋上的時間，重新導向更進一步的思考。這是一種非常適合 AI 時代的筆記技巧。在一般筆記中，記錄與編輯是同時發生的。而在落合風格中，這兩者是分開的。

首先，不要停止思考，直接說出來。「我覺得這個跟那個很像。」「不知道為什麼，但很好奇。」「如果做成這樣的圖像會怎樣？」「可能前提就錯了。」「這跟我之前想的矛盾，但是……」不需要修正文法，也不用擔心順序。之後，讓 AI 將語音轉錄的內容分類為：

• 觀察到的事實
• 個人的解釋
• 未經驗證的假說
• 用於製作或研究的點子
• 接下來要調查的事項
• 缺乏說明的部分
• 前後矛盾的陳述

然後，人類再對 AI 整理好的結果補充脈絡。按照這個順序，創意階段就不會被寫作能力阻礙。你可以維持思考的速度，之後再轉換成可說明的形式。AI 可以作為避免尚未成形的想法流失的緩衝區。不過，在錄製語音時，必須確認內容不包含他人的對話、機密資訊或個人資料。不是所有內容都丟給 AI；隨著錄製速度加快，管理哪些資訊可以輸入的邊界就變得更加重要。

4. 不要只信任一個 AI，同時運行多個 AI

落合 AI 使用方式的象徵之一，就是並行運行多個模型。在 2025 年底的 PIVOT 文章中，介紹了他開始新專案或研究時，會同時啟動 ChatGPT、Gemini、Grok 與 Claude，並使用深度研究功能一口氣調查背景資訊。這樣做的價值不僅在於資訊量變成四倍。每個模型在整理方式、參考資訊、謹慎程度與寫作風格上各有不同。

即使問同樣的問題，一個可能強調制度面，另一個強調技術面，第三個走向未來預測，第四個提供許多反對意見。重點不是把四個答案平均，而是觀察答案之間衝突的地方。一致的部分可能是相對穩定的資訊。只有一個 AI 提出的點，可能是新的發現。如果數字不同，可能是目標期間或定義有差異。如果引用來源不同，就必須回去查原始資料。

把一個 AI 當成老闆來用，就會變成採用或不採用的二選一。把多個 AI 當成研究團隊來用，就能讓答案之間互相碰撞。例如，可以這樣分工：第一個負責建立標準解釋，第二個找出標準解釋不成立的例外，第三個只收集原始資料，第四個估算實作障礙與成本，第五個則轉換成一般使用者能理解的語言。

截至 2026 年 7 月，部分深度研究功能不僅能搜尋網路，還能包含使用者允許的檔案、雲端上的文件與電子郵件作為研究對象。程式碼 Agent 也進步到能讀取程式碼庫、編輯多個檔案、並執行指令。在這種情況下，決定一次「哪個 AI 最聰明」沒有太大意義。模型會更新、價格會變動、擅長的領域也會改變。重要的不是對特定品牌的忠誠，而是拆解工作，並將適合該工作的能力放到正確位置。

5. 不要讓一個對話從規劃到完成一手包辦

要求 AI「規劃新產品、研究它、設計它、撰寫宣傳文案、並實作它」，看起來很有效率。但是，如果所有步驟都在同一個對話中進行，AI 最初建立的假說很可能在後續步驟中被當成事實。AI 根據自己建立的市場假說制定計畫，然後假設這個計畫是正確的來寫文案，最後再評估這個計畫本身。在內部是連貫的，但這種連貫性可能是因為初始假設貫穿了所有步驟。

在落合的公開工作流程中，他針對每個步驟使用不同的工具：資訊蒐集用多個語言模型，概念視覺化用 Midjourney 或 Stable Diffusion，實作用 Cursor。這種方法有兩個優點。一個是能使用每個步驟最適合的 AI。另一個是能在步驟之間插入人類的判斷。你閱讀研究結果，然後由人類選擇假說。根據選定的假說創作圖像。看著圖像修正方向。將修正後的方向轉換成規格。將規格交給程式碼生成 AI。人類試用做出來的成品並發現問題。換句話說，你不直接把 AI 的工作連結到另一個 AI，而是在中間放入選擇的關卡。在這些關卡中，由人類決定保留什麼、捨棄什麼。將落合風格的工作流程抽象化，就會變成這樣：

研究 → 人類選擇假說 → 視覺化 → 人類修正方向 → 實作 → 在真實環境中測試 → 人類評估 → 重新研究

AI 使用層次淺的人，試圖直接從 AI 拿到完成品。AI 使用層次深的人，則將流程細切，並在每個步驟中重新配置 AI 與人類的分工。

6. 深度研究不是用來產生「答案」的功能

深度研究能在短時間內找到大量資料，進行比較，並整理成附有引用來源的長篇報告。2025 年 2 月，落合在他的 note 上介紹，作為深度研究的測試結果，一口氣生成了約 25,000 字，橫跨數位自然、物件導向本體論、後人類主義與萬國博覽會展館的內容。只看這個，可能會覺得「讓 AI 寫 25,000 字，研究就結束了」。但是，長篇生成文本與正確內容是兩回事。

AI 可能會創造出不存在的引用來源。可能會混淆同名研究人員或論文。可能會用流暢的句子連接事實與推測。可能會把舊的數字當成最新的來解釋。落合塾的研討會資料也指出，雖然 AI 可以加速文獻搜尋、分析與假說建構，但輸出的準確性與引用來源的有效性必須由人類驗證。因此，應該要求深度研究做的事情，不是「告訴我真相」，而是像這樣的任務：

• 這個主題涵蓋哪些要點？
• 重要的原始資料有哪些？
• 研究人員之間有哪些意見分歧？
• 這個數字有多少種定義？
• 哪些主張尚未被驗證？
• 還需要額外檢查哪些資料？

簡而言之，深度研究的主要角色是建立研究地圖。實際去檢查地圖上畫出來的道路，是人類的工作。要提高研究準確性，可以要求 AI 做到以下輸出：

• 區分事實、推測與預測。
• 每個主張都要附上來源。
• 區分來源的出版日期與所處理資料的目標期間。
• 區分原始資料與二次資料。
• 明確列出無法確認的事項。
• 另設一欄提供反證。
• 如果多個資料的數字不同，推估差異的原因。

深度研究省下來的時間，不應該直接拿去用於其他工作。把省下來的時間重新投入驗證。 這是用 AI 處理大量資訊的人類的責任。

7. 長提示詞不是比誰寫得長

在 2024 年針對中學生的研討會中，介紹了落合建議將提示詞寫得又長又具體，而且 AI 不怕被要求重做很多次。參與者用 ChatGPT 創作了「以 2300 年為背景的故事」，並用生成式 AI 擴展成故事板。然而，「越長越好」這句話不應該照字面理解。寫入大量不相關的資訊只會讓指令變得模糊。價值不在於長度本身，而在於把只有人類腦中才有的前提，轉換成 AI 能處理的形式。

2024 年，落合寫到，隨著可輸入的資訊量增加，可以將抽象概念與物件導向結構帶入提示詞中。他也根據 ChatGPT 的搜尋支援功能，更新自己的自訂指令。這裡看到的不是追求一次性「神級提示詞」的態度，而是根據工作內容更新指令系統本身的態度。一個深入的提示詞至少包含以下要素：

• 目的： 這次最終想決定什麼？
• 背景： 為什麼這個工作是必要的？
• 目前已知： 已確認的事實、過去的歷史、可用的資源。
• 目前未知： 未確認的事項、模糊的定義、互相矛盾的資訊。
• 限制條件： 預算、期限、權利、禁止事項、目標對象。
• 評估標準： 什麼樣的標準決定好的輸出？
• 工作流程： 如何劃分研究、發想、比較、實作與驗證。
• 工具權限： 允許哪些操作，例如搜尋、檢視檔案或執行程式碼。
• 停止條件： 在什麼時候停止自動執行並與人類確認。
• 輸出格式： 將事實、假說、提案與未確認事項分開顯示。

這與其說是提示詞，不如說是一個小型工作的規格書。在 AI 時代，書寫文字的能力與設計系統的能力逐漸融合。重點不是寫出「巧妙的請求」，而是將目的、狀態、限制條件與判斷標準，以 AI 能處理的形式描述出來。落合風格的長提示詞，不是在增加字數，而是傳遞結構化的思考。

8. 第一個回答不是「完成品」，而是探索的素材

剛開始使用 AI 的人，會根據第一個回答來判斷。如果好就採用，如果不好就覺得「AI 沒用」。然而，從落合的公開案例中看到的態度，是不把第一個輸出當成完成品。層層疊加對話。挖掘細節。改變格式。丟給另一個 AI。轉換成圖像。轉換成程式碼。實際讓它動起來。出現問題就再修改指令。2023 年，落合寫道，透過階段性對話推進，細節會浮現出來，更容易從自然語言擴展到程式碼、圖像與語音。

AI 最大的特點，不是一開始就能給出正確答案，而是重做的社會成本很低。如果你沒有理由就叫人類設計師重做一百次，關係會破裂。如果你隨興叫員工反覆重寫同一份文件，會耗費他們的時間與動機。AI 不管你把同樣的要求改多少次，都不會累。因此，在使用 AI 時，與其強迫人類做無意義的修改，不如在 AI 階段增加探索的量。但是，只重複說「讓它更好」很快就會遇到瓶頸。需要的是記錄修改的原因：

• 這個方案適用於任何人。
• 這張圖像的問題是構圖，不是顏色。
• 這段程式碼能運作，但難以維護。
• 這段文字正確，但缺少我的經驗。
• 這個專案有趣，但沒有執行者。

把否定的原因回饋給 AI，就成為下一代的條件。這樣一來，指令系統就會隨著每次迭代變得更聰明。努力不是重複做同樣的事情很多次，而是把每次失敗轉換成下一個條件。

9. 把自然語言當作實作語言

落合很早就指出，生成式 AI 縮小了自然語言與程式語言之間的距離。在 2023 年的一篇文章中，他認為語音辨識與 ChatGPT 的出現，讓從自然語言轉換成程式碼變得更容易，從而可以透過文字創造出多樣化的輸出，如影片、音樂與文字。這不是簡單的「不懂程式也能做出任何東西」的故事。相反地，將需求語言化的能力變得更加重要：

• 輸入什麼？
• 使用什麼資料？
• 處理的順序是什麼？
• 發生錯誤時如何處理？
• 要顯示什麼給使用者？
• 可以儲存什麼？
• 完成需要滿足哪些條件？

過去，這樣的設計是用程式碼寫出來的。現在，有一部分可以用自然語言傳達給 AI。但是，如果傳遞模糊的自然語言，就會得到模糊的程式。因此，隨著 AI 程式設計的進步，發現規格矛盾的能力變得比寫程式的速度更重要。2026 年，PIVOT 在一部名為「生產力提升 32 倍」的短片中介紹了落合的 AI 使用方式。然而，目標任務、比較期間與品質評估等計算條件，無法從公開頁面確認。將這個數字視為 AI 程式設計大幅改變實作速度的象徵性表達，而非嚴格的企業生產力指標，是比較恰當的。

事實上，即使程式碼行數變成 32 倍，價值也不一定變成 32 倍。錯誤也可能變成 32 倍。需要驗證的程式碼也增加了。規格變更時的影響範圍也變大了。還可能產生大量未使用的功能。AI 程式設計的真正成果，應該用從假說到原型的時間、獲得使用者回饋的時間、發現問題、修正與重新發布的時間，以及過去因為成本無法測試而現在實際測試過的點子數量來衡量。

10. 不只是使用方便的 AI，還要打造使用 AI 的工具

落合最近 AI 使用方式中特別具有象徵意義的是「vibe-local」與「co-vibe」。Vibe-local 是以開源程式碼 Agent 的形式發布，使用 Python 與本地 LLM 執行環境，無需網路連線或付費雲端服務即可運行。它以單一 Python 檔案為核心設計，旨在用於教育、研究與離線研討會。Co-vibe 則具有跨越 Anthropic、OpenAI、Groq 與本地模型等多個供應商的能力，根據複雜度分配任務。它設計成在單一終端環境中處理網路研究、檔案操作、程式設計、多個 Agent 並行執行與會話延續。

從這兩個工具中看到的，是一種不接受現成服務的態度。有些環境無法連上雲端。學生無法訂閱付費服務。他不想依賴單一 AI 供應商。他想檢查內部發生了什麼事。他想與研究設備連結。他想繼續進行長時間的研究任務。對於這些不滿，他不是繼續尋找其他產品，而是自己打造所需的環境。AI 原生的努力，不僅是設計提示詞。更是透過改善工具來消除反覆出現的不便。有些任務每天花五分鐘。如果每天手動繼續，一年下來就會變成大量的時間。一旦寫好腳本，從第二天開始幾乎不花時間。更進一步，如果把那個腳本整合到 AI Agent 中，讓它能自動判斷同類型的任務，就可以用來做其他工作。努力的天才，不是只會快速處理眼前任務的人，而是能找出從下次開始不需要費力的部分，並把省下的時間投入新的努力的人。

11. 不要讓它維持黑箱狀態就方便地使用

AI 工具越方便，內部就越難看清楚。你輸入指令，等一會兒，成品就出來了。使用者不知道中間用了哪個模型、失敗了幾次、搜尋了什麼、修改了哪些檔案。對於簡單的工作，這樣或許沒問題。但是，在失敗影響重大的工作中，例如研究、業務系統、個人資訊或設備控制，你必須能夠事後檢查「為什麼會變成這樣」。

如果在無法檢查內部狀態的情況下使用 AI，就會發生以下問題：

• 如果 AI 輸出虛假資訊，你無法判斷它是否虛假。
• 如果 AI 修改了不該動的檔案，你無法知道它修改了什麼。
• 如果 AI 存取了你不想給的資料，你無法確認存取記錄。
• 如果 AI 突然停止正常運作，你無法判斷原因是模型更新還是設定變更。

落合發布開源工具的原因之一，就在於此。由於原始碼是公開的，你可以檢查內部處理；如果問題發生，可以修正並回饋給社群；如果不需要特定功能，可以刪除；如果環境受限，可以調整組合。在 AI 時代，透明性本身就是一種生產力。

努力的天才，不是只會使用強大工具的人，而是能理解工具內部、並在必要時改變工具的人。

12. 不要只追求答案，要追求「判斷的基準」

AI 最終給出的是一個「答案」。但那個答案是在什麼條件下成立的？基於什麼資料？排除了什麼可能性？這些都隱藏在輸出背後。如果只拿走答案，你就無法判斷它的可靠性。如果只把 AI 的輸出當成最終成果，你就無法在失敗時修正根源。

落合不把 AI 的輸出當成最終答案，而是當成「下一個判斷的材料」。他會比較多個輸出，找出矛盾點，回到原始資料，用自己的手測試，然後重新提問。這個循環就是努力的本身。在 AI 時代，努力不是「長時間工作」，而是「將判斷基準不斷升級的循環」。AI 並不是消除努力的魔法。AI 是讓努力的方向從「勞動」轉向「判斷」的催化劑。

努力的天才，不是依賴 AI 變得輕鬆的人，而是透過 AI 讓自己的努力變得更深度、更快速、更精確的人。

以下是根据您提供的详细规则，将英文内容翻译为繁體中文的版本。我已嚴格遵循所有格式、術語、標籤與結構要求。

Co-vibe 的立場文件高度評價了商業 AI 編碼支援，但指出其不透明性在研究用途上會成為問題，因此需要一個能追蹤 API 呼叫、模型選擇和工具執行的結構。該文件還將不受限於單一 AI 供應商、能在本地與雲端模型之間切換的能力，列為一項設計要求。這是落合式 AI 應用的重要特色。不要把 AI 當作魔法；要把它當作一個可觀察的裝置。哪個指令失敗了？它重做了幾次？哪個模型處理了什麼？花了多少錢？哪些檔案被更改了？通過了多少測試？人類在何處核准了？如果這些都能被記錄下來，失敗就會變得可重現。可重現的失敗就能被改善。反之，「總之這次莫名其妙成功了」的狀態，是無法在下一份工作中重現的。不需要去讀取 AI 內部那些非公開的想法。需要的是一份可確認行動的歷史記錄，例如搜尋過的資料、執行過的操作、變更的差異、測試結果、成本以及處理時間。當你將更多工作交給 AI 時，你絕對不能忽略日誌。不要只看成品；要將產出成品的過程也保存下來。這是將 AI 訓練成工具的根本。

12. 在創造領域，別讓 AI 太聽人類的話

當使用 AI 進行工作時，讓它按照使用者的意圖運作很重要。然而，在創造領域，情況就不同了。如果產出的東西完全是人類想像中的模樣，那麼使用 AI 的意義就顯得薄弱。如果最終形式已經在腦海裡，那人類直接照著做就行了。AI 的價值在於，有時能產出使用者意想不到的連結。落合被介紹為當時評估 GPT-4.5 的「文學性」，也就是它不僅能符合邏輯形式，還能在詞語與符號之間跳躍。這並非對模型優劣的普遍性評價，而是一種試圖使用能產生不可預測連結的 AI 來進行創造的態度。

在另一篇文章中，落合將 AI 創造分類為：人類完全掌控、完全交由自動生成、以及人類僅在 AI 生成的基礎上進行選擇與微調這三種情況，並探討了其中的矛盾。如果人類限制得太細，AI 特有的偏差就會消失；如果完全自動化，人類的創造慾望又難以滿足。由此得出的，並非「讓 AI 創作出好作品的提示詞」，而是一種關於「要保留多少 AI 的不可預測性」的編輯技巧。例如，假設 AI 生成的圖片中出現了一個奇怪的形狀。通常你會把它當作缺陷刪掉。然而，如果那個怪異之處帶來了新的印象，你也可以讓整體構圖去配合那個形狀。如果 AI 生成的文字中，排著一些通常不會連結在一起的概念，你可能會覺得它們毫無意義而刪除。另一方面，人類也可以思考為什麼這兩個概念會被放在一起，並將其轉變為一個新的探問。在落合的《液態宇宙》影片中，液晶破裂的影像流暢變化的畫面，就是由生成式 AI 產生的。在 2025 年的展覽中，採用了讓生成式 AI 的影片不斷變化的配置，海洋生物與龍的雕像等影像不斷誕生又消失。AI 並未完全取代作者的手。人類負責設計生成方法、材料、顯示裝置、空間、時間、要保留的變化，以及與觀眾的距離。在創造中，人類的努力從親手繪製一切，轉變為為持續生成的東西劃定界線。

13. 把 AI 從聊天視窗帶出來，連結到空間與身體

對許多人來說，AI 存在於瀏覽器之中。你輸入問題，它回傳文字。但落合的 AI 應用不只停留在螢幕上。在他的行動工作環境中，介紹了他如何將 Apple Vision Pro 當作「視覺用的耳機」，用來阻擋周圍的視覺資訊並展開巨大的虛擬螢幕。這是一種即使在新幹線上也能重建自己專注環境的想法。在大阪・關西萬博的「null²」中，AI 不僅回傳文字，它還與使用者的分身、語音、影片以及空間製作連結在一起。在《Mirrored Body》中，採用了讓使用者註冊資訊與語音來建立 AI 化身，並將其與展館的製作連結起來的機制。此外，該技術的部分 3D 真實化身技術，在博覽會後已以開源形式釋出。

這裡對於理解 AI 應用，提供了一個重要的啟示。使用 AI 不僅僅是透過聊天來請求工作。改變人類所見的內容。改變人類所處的空間。將身體動作作為輸入。將語音作為介面。驅動真實的裝置。根據觀眾的反應改變表現方式。將 AI 設計為環境的一部分。當然，並非每個人都需要準備昂貴的頭戴式裝置或大規模的展覽設備。應該被移植的是其原理，而非設備。阻擋妨礙專注的通知。讓你能隨時從相同的工作環境呼叫 AI。將語音、照片、文件和程式碼整合到一個專案中。將常用的指令範本化。將真實的工作成果回饋給 AI。優先創造一個能產生專注的環境，讓人不需每次都用意志力來集中精神。那些能夠持續努力的人，並非只是意志堅強；他們是在自己周圍創造了一個容易努力的環境。

14. AI 時代越發展，傳統的親手實作經驗就越有價值

人們常認為，要精通 AI，只需要知道最新的工具就好。然而，落合強調了「類比老派」經驗的價值——親手寫過程式碼、理解過運作機制、經歷過技術變遷。即使 AI 能生成程式碼或文字，如果你不理解內部結構，當問題發生時，你就無法判斷原因。如果你有親自動手的經驗，就能很快注意到缺陷的徵兆或錯誤的位置。這不是一個單純關於年長者優於年輕世代的簡單故事。關鍵在於年齡，而是在於你是否親身體驗過基礎的流程。一個曾經多次重寫文字的人，比較容易察覺 AI 文字中不合邏輯的連結。一個有攝影經驗的人，能夠注意到生成圖片中光源或鏡頭表現的矛盾。一個曾經為程式除錯過的人，很可能一眼就能看出哪些程式碼光是執行就很危險。一個讀過論文的人，能對那些看似存在、實則不存在的引用感到不適。一個處理過客戶服務的人，能想像出為什麼 AI 設想的理想業務流程無法在現場使用。

AI 提升了初學者的產出速度。然而，它並不會自動將初學者變成專家。要評估產出是否正確，需要對該領域的敏銳度。因此，AI 時代的學習，並非省略所有基礎。而是以必要的次數體驗基礎任務，並用 AI 加速後續的大量重複。不能因為有計算機，就不去學習數字的意義。不能因為有翻譯 AI，就不去了解語言背後的文化差異。不能因為有程式碼 AI，就不去理解資料、權限、測試與安全性。AI 素養無法取代專業知識。 落合式的 AI 應用，並非拋棄舊技能，而是將舊技能當作 AI 輸出的檢驗裝置。

15. 不要填滿時間，為好奇心留出餘裕

當你看到有人完成驚人工作量時，你可能會認為他們把行程管理到分鐘。然而，落合提出了一個觀點：過度的時間管理會扼殺好奇心。另一方面，他也並非完全不管；他會設計專注時段，例如將早上的時間用於創意工作。這是一個關於效率的重要悖論。你用 AI 省下了一小時。你把一個新的會議排進那個小時。你又省下了一小時。你接下了另一個請求。如果你把省下來的所有時間都用計畫填滿，處理量會增加。但意外發現會減少。如果你用 AI 提升效率只是為了塞入更多工作，人類就會變成消化 AI 任務清單的裝置。

在關於落合創作的訪談中，可以看到一種態度：目標是產出人類尚未創造過的成果，並試圖同時提升技術基礎與藝術水準。此外，也可以看到一個想法：與其從一開始就固定主題，不如在動手做的過程中，透過嘗試周邊感興趣的事物，讓主題自然浮現。新的事物並非透過填滿計畫的空格而誕生。去研究那些你莫名感到好奇的東西。去寫那些不知道有沒有用的程式碼。去閱讀其他領域的書籍。去接觸材料。去拍照。把奇怪的組合丟給 AI。去觀察失敗。這樣的時間，在短期內看起來沒有效率。但未知的主題，正是從計畫好的產品之外進來的。如果 AI 讓例行工作變得更快，人類不應該用更多的例行工作去填滿那個餘裕。他們應該將其回歸到沒有固定目的的探索。努力的天才，不是能夠整天塞滿計畫的人，而是能夠選擇專注於什麼、自動化什麼、以及在何處留下無目的時間的人。

16. 把「聰明」交給 AI 之後，人類該把努力放在哪裡？

在 2026 年的一次訪談中，落合談到，當機器取代了人類透過努力與智慧所獲得的事物時，許多人可能會面臨「自己該做什麼」的存在性焦慮。這是他的未來展望，而非所有工作都已被取代的事實。這個問題位於 AI 應用技術的最終點。讓工作更快。讓文件更快。讓寫程式碼更快。讓研究更快完成。在這些都實現之後，人類要做什麼？是要製作更多的文件嗎？是要寫更多的程式碼嗎？是要承擔更多的工作嗎？如果是這樣，那麼使用 AI 的目的將永遠指向增加處理量。落合設想了一種「像馬塔吉（Matagi）一樣」的生活方式——與特定社群保持連結，同時在其邊緣偶然發現新事物。這是一種在利用科技的同時，不失去與環境、身體感、儀式及社群連結的生活方式。

如果你把「需要聰明處理的工作」交給 AI，那麼人類接下來的工作就是：

• 要對什麼感到驚訝？
• 要覺得什麼很美？
• 哪個問題是無法忽視的？
• 要與誰在一起？
• 要將時間花在什麼事情上？
• 要承擔哪個失敗？
• 要在哪裡負起責任？
• 要用真實的身體獲得什麼樣的體驗？

這些不僅僅是資訊處理。AI 可以提出選項。它也可以預測。但要選擇哪個選項作為自己的人生，這只有人類自己才能承擔。AI 時代的努力，正在從記住更多正確答案，轉變為持續更新自己所重視的事物。

17. 絕對不能模仿的是極端的生活習慣

當介紹知名創作者的工作技巧時，起床時間、睡眠時間和用餐次數往往會吸引目光。對於落合也是如此，他如何利用早晨時間以及獨特的飲食習慣都被介紹過。然而，這種生活習慣不應該被當作 AI 應用技巧的核心來模仿。飲食、睡眠、運動和藥物，會根據體質、年齡、慢性疾病和工作內容而有其適當的條件。這個人正在做的事情，與可以普遍推薦的事情是不同的。這篇文章應該提取的，不是用餐次數。而是：

• 比較多個 AI。
• 用語音留下資料。
• 解構工作流程。
• 不把初稿當作成品。
• 驗證來源。
• 留下 AI 的執行記錄。
• 必要時自己製作工具。
• 回歸到真實的身體與環境。

為了用 AI 提升產出而減少睡眠，並非長期的努力設計。與其從被 AI 縮短的時間中再進一步擠壓睡眠，不如將其分配給恢復、學習、觀察，以及與家人或他人相處的時間。應該從努力的天才身上學到的，不是如何忍受痛苦。而是如何創造一個系統，讓自己不必重複同樣的痛苦，並藉此轉向未知的工作。

從公開案例中抽象出的「落合式 AI 努力作業系統」

將以上內容整理成可移植到一般工作中的形式。這並非落合本人公開的具體每日工作流程。而是本文根據其公開的 AI 使用案例，所抽象出的一個實用模型。

階段 1：從未經整理的狀態開始

不要從一開始就寫提案。首先，花五到十分鐘，用語音或文字，把你腦中的想法原封不動地說出來。你可以混合目的、背景、情緒、不適感、想法和擔憂。然後，像這樣詢問 AI：

將我的陳述分類為已確認的事實、解釋、假設、期望、限制條件和未確認的項目。先不要下結論，一次問一個問題，以釐清目的。

在這裡，不要讓 AI 給出答案。讓它去發現人類這邊的模糊地帶。

階段 2：將同一任務交給三個以上的 AI

不要依賴單一 AI。將相同的背景資料和問題，傳遞給多個 AI。然而，不要只是收集三個相同的答案；要改變它們的角色。讓一個做標準研究，一個尋找反例，一個思考實施方法和成本。如果可能的話，再讓另一個負責使用者或反對者的觀點。在產出之後，讓它建立一個比較表：

• 所有 AI 都同意的點
• 只有部分 AI 聲稱的點
• 數字或事實有衝突的點
• 需要與第一手來源核對的點
• 沒有人考慮到的點

人類要閱讀的是答案之間的差異，而不是答案本身。

階段 3：不要只停留在文字，要轉換成其他格式

不要滿足於閱讀研究結果。如果是計畫，就做成圖表。如果是產品，就做成畫面原型。如果是作品，就做成圖像或短片。如果是系統，就做成使用者流程圖。如果是研究，就分成假設與驗證方法。想法在文字中可能隱藏矛盾。當你嘗試去實作時，缺失的條件就會浮現。誰會用這個？他們按哪個按鈕？資料從哪裡來？失敗時如何恢復？實作是對想法的一種檢驗裝置。

階段 4：讓另一個 AI 來破壞一個 AI 製作的東西

不要讓負責生成的 AI 只進行自我評估。將產品傳遞給另一個對話、另一個模型或另一個角色。讓它從以下角度尋找問題：

• 事實錯誤
• 引用不存在
• 安全性問題
• 權利問題
• 目標受眾誤判
• 執行成本低估
• 無法維護的部分
• 流於空泛的部分
• 需要人類核准的部分
• 失敗時無法恢復的部分

人類則針對第一手來源或真實環境中的高優先級問題進行檢查。由 AI 進行的檢查並非最終保證。而是用來縮小人類需要檢查的範圍。

階段 5：將拒絕理由轉化為下一個提示的資產

不要只是刪除不好的輸出就結束。要留下一行為什麼不好的原因。

• 「目標受眾太廣泛了。」
• 「技術上可行，但沒有使用場景。」
• 「文字有條理，但缺乏經驗。」
• 「圖片很美，但與目的無關。」
• 「研究結果缺乏第一手來源。」
• 「程式碼能跑，但缺乏權限管理。」

將這些加入到專案的禁止事項或評估標準中。下次，AI 就比較不會犯同樣的錯誤。人類的經驗被轉換成自訂指令、規格、測試和檢查清單。這項工作，是將努力轉化為可累積的形式。

階段 6：將反覆出現的不便自動化或工具化

如果你每次都要寫同樣的指令，就把它做成範本。如果你每次都要轉換成同樣的格式，就把它寫成腳本。如果你每次都要尋找同樣的資料，就把研究流程保存下來。如果你每次都要執行同樣的檢查，就把它變成測試。如果你每次都要選擇模型，就根據任務建立規則。如果你每次都要手動傳遞檔案，就考慮安全連線的方法。重要的不只是把一個任務縮短三分鐘。而是不讓那三分鐘在未來發生數百次。

階段 7：最後，帶到現實中

不要只透過 AI 之間的對話來評估。把它展示給人看。在現場操作它。印出來。投影出來。讓客戶使用它。在外面邊走邊思考。觸摸材料。用自己的身體去體驗。AI 可以創造出看似合理的用戶角色。但實際使用者在哪裡會迷失，除非你把它帶到現實中，否則無從得知。現實會打破 AI 所創造的美麗邏輯。而那種破壞，將決定下一次努力的方向。

實用的努力循環提示詞

以下並非重現落合本人的提示詞。而是本文分析出的結構（平行研究、階段性實作、反證、日誌記錄）的單一對話協議。

1你不是一個代我一次性完成成品的 AI，而是一個「研發統籌者」，負責加快研究、原型製作、反證與改善的循環速度。
2
3【主題】
4{{這次要處理的主題}}
5
6【我最終想決定的事】
7{{請盡可能填寫你知道的。可以尚未決定}}
8
9【我目前擁有的材料】
10{{筆記、語音轉錄、文件、資料、程式碼等}}
11
12【基本原則】
131. 在我的目的尚不明確時，不要建立最終計畫。
142. 一次問一個問題，以釐清目的、目標、限制條件和成功條件。
153. 清楚區分事實、解釋、假設和提案。
164. 為事實附上來源，並優先使用第一手來源。
175. 對於無法確認的事項，不要用推測填補；標記為「未確認」。
186. 不要將第一個計畫當作最終計畫。
197. 將研究、構思、實作和評估視為獨立的流程。
208. 同一個 AI 不應同時擔任創作者和唯一的評估者。
219. 清楚標示需要人類核准的部分。
2210. 將所有拒絕原因記錄下來，作為下次生成的條件。
23
24【階段 1：目的發現】
25將我的輸入分類為以下類別：
26- 已確認的事實
27- 我的解釋
28- 未經驗證的假設
29- 情緒或不適感
30- 可用的資源
31- 限制條件
32- 尚未定義的詞語
33針對遺漏的資訊，一次問一個問題。
34
35【階段 2：平行研究設計】
36將主題分配給以下角色：
37A. 收集標準解釋和主要資料的研究者
38B. 尋找反例、反對證據和失敗案例的反證者
39C. 思考實施方法、成本和期限的實踐者
40D. 思考使用者、非使用者與弱勢者的利害關係人分析師
41E. 尋找與其他領域意外連結的探索者
42為每個角色建立要調查的問題，確保負責的點不重疊。
43
44【階段 3：證據分類帳】
45將研究結果格式化如下：
46- 主張 / 依據 / 來源 / 發布日期 / 資料期間 / 第一手或第二手 / 反證 / 信心水準 / 需要人類驗證的點
47
48【階段 4：原型製作】
49根據研究結果，建立 3 個最小可行原型計畫。對於每個計畫，說明：
50- 要驗證的假設 / 要製作什麼 / 不要製作什麼 / 所需時間 / 所需成本 / AI 處理的流程 / 人類處理的流程 / 失敗的條件
51在我選擇一個計畫之前，不要進行完整實作。
52
53【階段 5：反向審計】
54針對原型或初稿，從以下角度尋找問題：
55- 事實 / 邏輯 / 技術 / 安全性 / 權利 / 成本 / 目標 / 可維護性 / 原創性
56以 4 個等級顯示嚴重性：停止 / 需要修正 / 觀察 / 允許。
57
58【階段 6：改善日誌】
59每次進行修正時，記錄以下內容：
60- 變更前 / 問題 / 變更內容 / 變更原因 / 新產生的問題 / 下次要加入提示詞或測試的條件
61
62【最終階段】
63不要執行最終決定。而是整理選項、證據、反對意見和未確認事項，由我親自撰寫採用的計畫及其理由。
64
65在第一次回應時，不要提出建議；而是針對我對於這個主題最具體的不適感或目的，提出一個問題。

結語 — 落合陽一並未藉由 AI「放棄努力」

如果你將落合陽一的 AI 應用理解為方便提示詞的集合，那就錯失了其精髓。

同時運行多個 AI。用語音回收未經整理的想法。結構化長篇指令。多次重做最初的答案。將研究、圖像和實作分配到不同的工具。讓一個 AI 批評另一個 AI 的輸出。用親手動作的經驗來發現異常。如果黑盒子是個問題，就建立可觀察的工具。不僅將 AI 連結到文字，還連結到影片、空間、身體和研究設備。將 AI 省下的時間，回歸到好奇心與真實體驗。

這一系列行動的共同點，並非想要偷懶的想法。而是在相同的時間內，試圖進行更多測試的想法。在 AI 出現之前，光是調查和實作一個假設，一天就結束了。有了 AI 之後，你可以調查多個假設，製作三個原型，比較失敗原因，並將那些結果回饋給下一個指令。你可以利用產生的餘裕來休息。你可以用它來做另一份工作。你可以用它來進行新的表現或研究。決定如何使用它的，是人類。

如果我們稱落合陽一為「努力的天才」，原因並非單純是他比別人工作更久。而是因為他沒有讓努力變成精神論。將想法轉化為可記錄的形式。將失敗轉變為下一個條件。自動化重複。更新工具。創造環境。仍然保留人類應判斷的空間。他藉由 AI 所增加的，不僅是完成品的數量。而是在抵達未知之前，能夠持續嘗試而不放棄的次數。AI 時代所被質問的，不是「你用的是哪個 AI？」而是在 AI 產出的同時，人類在觀察什麼？在 AI 做出來之後，人類修正了什麼？由於 AI 變得更快，人類最終想要往哪裡去？最好的 AI 應用技巧，並非逃避努力的方法。而是為了讓努力不會一次性消失，而是轉變為能加速下一次努力的系統。