AI 時代，不抄捷徑「研究人類」反而更重要？
大家有看過《命運好好玩》（Click）這部電影嗎？
主角麥可得到了一個可以「快轉人生」的神奇遙控器 ──人生中許多無聊瑣碎的片段，都能藉由它快轉跳過，而在這些被跳過的時間裡，麥可會進入類似 AI 生成的「自動導航模式」，無論是自動回應與長輩聚會時的對話、還是自動完成建築設計圖等等。最終，麥可就這樣跳過了他的大半人生，卻也深深懊悔錯失了與家人相處的時間。
這些「被跳過的時間」無論快樂悲傷、有趣無聊，其實都是一種過程，並蘊含著它存在的價值。唯有認真對待每一刻時光而非開啟「自動導航模式」，我們才能從中獲得寶貴的經驗與意義。
回首自己當初在寫萬字人類學碩士論文的日子，只能用枯燥乏味來形容，日復一日到圖書館找文獻閱讀文章、修改論文整理架構、思考自己論點缺陷等「無限循環」。當時我也常想：「好想要一個神奇遙控器，直接跳到寫完論文的那天啊！」
但如今回想起來，我卻非常慶幸自己經歷過那段時期，因為那是我在整個碩士學程裡進步最快的時期：我學習到如何從大量文獻資料中，有效歸納統整確切符合主題的理論；在不斷構思精修論文架構時，我學習到如何更有邏輯地呈現一篇文章，並發展出自己獨特的見解；在引用其他學者們的論點時，我感受到自己真正融會貫通了他們的思想精髓⋯⋯。這個過程，也像是把我碩士一年的學程做總結，並把自己學到的人類學技能，實際應用在蒐集資料和構築理論上，同時具體化為文字呈現於世，這些都是非常珍貴、無法用「自動導航」學習到的能力。
也因此，面對有學生利用 AI 生成社會科學論文這件事，我總覺得它就像是利用神奇遙控器快轉了上述整個過程，對學生來說是非常可惜的一件事。尤其人類學中重要的研究方法如參與觀察、無架構訪談、長期田野調查等，雖然會花上比較久的時間，卻也是我認為最不該利用 AI 工具來「抄捷徑」的寶貴過程。
這篇文章接下來的內容，我特別邀請到「百工裡的人類學家」創辦人宋世祥，來為我們分享他所觀察到 AI 在人類學領域的應用、他對學生在人類學學程上使用 AI 的看法，以及人類學在 AI 時代的優勢與劣勢：
人類學視野下的 AI 應用
文：宋世祥，國立中山大學人文暨科技跨領域學士學位學程助理教授 ／「百工裡的人類學家」創辦人
我在 1997 年進入大學。印象非常深的，是那時剛好碰上「網際網路」科技逐漸成熟並開始流行，於是 BBS、個人網頁等開始成為我們那一代人探索未來的重要切入點。只是當年還是大學生的我，其實並沒看清楚這個新趨勢，會對後來的世界帶來如此巨大且深遠的影響。
而今，我們又碰上了生成式 AI 的快速發展，曾經的歷史似乎再次上演。但此時的我們，是否能看清楚這一波新科技趨勢，將會為整個人類社會帶來什麼樣的改變，又能從中掌握到什麼樣的機會呢？
以下筆者將從自身的專業領域切入，從當代人類學研究的不同面向，嘗試解答上述問題：
「人類」研究者的不可替代性
伴隨著生成式 AI 技術快速發展，人文社會學科在當代能發揮的價值常被人質疑。而人類學這個跨領域、以研究異文化為主的學門，也讓人懷疑是否還能在這時代維持其重要性。但實際上，人類學者們近年持續探索著如何面對 AI 帶來的機遇與挑戰，也努力提升人類學者能為 AI 時代輸出的價值。
面對由 AI 主導的大數據分析，部分學者採取了批判的立場，並強調民族誌研究方法的重要性。如 van Voorst 和 Ahlin（2024）在 Key points for an ethnography of AI: an approach towards crucial data 一文中指出，AI 時代，許多對人類現象的研究均偏好使用大數據來進行，但人類學中民族誌式的田野資料，其實有著數據無法取代之重要性。特別是人類學者對田野工作的長時間投入、和被研究者之間建立信任關係、對於細微、模糊或缺席但真實存在之現象的關注，都讓民族誌的影響力不可或缺。
文中舉出 Featherstone 和 Northcott（2021）在英國急性病房進行的 5 年民族誌研究為例：該研究揭示了失智症患者由於無法用標準化的「1 到 10 的疼痛等級」來口頭表明疼痛程度，因而時常無法獲得必要的幫助。像這樣細微的觀察，來自長期沈浸於田野現場，是無法被 AI 或其他方式所取代的。
當許多機構開始使用 AI 來處理大規模的數據及人機互動時，這個過程也成為民族誌學者研究的對象。例如 Ismail, A., 等人. （2023）探討了人工智慧技術在印度一個大型母嬰健康電話服務計畫中的整合與應用：研究人員從「人機互動」的角度進行民族誌研究，觀察 AI 如何輔助資源分配、影響決策過程，以及塑造多方利害關係人之間的合作關係。他們的研究指出，當機構快速應用起 AI，更應注意到在公共衛生領域導入 AI 的複雜性，包括目標受益者的識別、人機協作的管理、干預時間的安排以及 AI 技術尋求的目的，均會影響到整體的成效。
簡單來講，人們不應輕信「導入 AI 必能提升效率」的迷思，當中更有文化、技術的複雜程度需要考量。
AI 作為研究對象
人類學者們也開始直接以「AI 系統」作為田野研究對象，並發展出創新的民族誌策略。如 de Seta 等人（2024）在 Big Data & Society 發表的文章中引入了「合成民族誌（synthetic ethnography）」的方法論，用於研究生成式 AI 的應用。
在他們看來，今日社會科學界十分重視生成式 AI 與其作品對社會的影響（例如假訊息與智慧財產權等爭議），但對如何用質性方法來研究生成式 AI 本身，卻仍在滯後階段。為此，他們主張民族誌研究者面對 AI 的各種應用，不應只是「在場觀察」，而是應該積極地將 AI 系統重新用途化為田野調查的工具。他們從實際案例中提出 3 種田野策略：
其一是直接學習工具並分享其中過程：de Seta 等人為了暸解中國 Bilili 網站上的深偽（Deep fake）影片產生方式，直接投入相關軟體的學習。這方式除幫助他們建立起對 AI 軟體應用的認識外，也藉此探究 AI 軟體的實際社群運作。
其二是利用 AI 模型生成圖片的內容，來探索「AI 學習到的歷史資訊及其中可能存在的偏見」，並探究其可能對今日大眾學習各種文化與歷史的影響。他們舉了學者 Matti Pohjonen 的研究為例，其嘗試用軟體產出 1984 年衣索比亞大饑荒的相片，發現其視覺內容帶有不少刻板印象與偏見，而這些偏見與一些（經人為篩選後的）攝影紀錄，有密切關係。
其三是運用生成模型創造民族誌情境，打破歷史數據表現的侷限：如英國人類學者Aleksi Knuutila 運用了 StyleGAN2-ADA 模型打造了 This inequality does not exist 此一虛擬空間（讀者們可以開啟進入），當中可以調整收入、健康、教育對於城市街景的影響，幫助大眾進一步了解學者們所關心的議題。
上述這些嘗試，展現了民族誌在數位時代的彈性與創造力：人類學者不再只是被動地觀察技術，而是能夠主動實驗技術，進而揭示生成式 AI 背後的潛在偏見、能動性配置以及對知識分類的挑戰。
與時俱進的人類學研究
而若是把人類學者的產出「民族誌」，當作帶領大眾得到跨領域經驗的媒介，也有學者在 AI 的影響下，重新思考「民族誌」有什麼新的可能形式，能帶領大眾更直接地感受到文化多樣性，進而對「人性」有更深刻的理解。
如 Banerji （2023）反思文字型態民族誌的限制，發展出一種「互動式演算法民族誌表演者」（interactive algorithmic ethnographic performers）的概念與表演模式 ──即讓現場觀眾能夠與配備感測儀器與演算法的設備互動，直接成為系統中的參與、表演者。簡單來說，人們將能透過 AI 工具，獲得一個「文化體驗」，並在當中覺察自己的認知模式與行為習慣，進一步地理解自己。從這個例子我們可以推論，在未來很可能將有更多生成式 AI 工具，透過其收集到的不同民族語言與符碼模型，並將其轉換成不同介面，讓民眾更容易獲得跨文化、跨族群的多種體驗。
筆者目前也帶著自己的【厚數據創新實驗室】團隊，在中山大學校內進行研究，探究在生成式 AI 及其越來越成熟的大語言模型下，大學生的「學習」發生了什麼樣的轉變？
透過訪談，筆者與團隊有幾項發現：首先，當前的大學生可以說是直接面對 AI 的第一代學生，AI 的快速發展讓同學們產生不少焦慮，如除了要學習原本的課業，還要另外花力氣跟上 AI 的發展。其次，對多數大學生來說，AI 是「輔助性角色」的集合，根據時間、任務、心情，甚至 Deadline 的壓力，在不同情境下選擇「召喚」不同的 AI 功能 。然而同時間，AI 不僅僅提供大學生即時的輔助與作業效率的提升，也正逐漸重塑他們對知識獲取與學習的價值觀。目前我們的研究發現，大學生的學習歷程正逐漸由「知識導向」轉變為「任務導向」 ──學習的重點不再是記憶與積累，而是思考如何有效運用現成的知識來完成任務。
綜合而言，生成式 AI 已經滲透到我們日常生活中的各方面，也已經成為我們文化中的一部分，或是刺激文化發展的重要力量。人類學領域的學者們，除了關心我們的社會文化將會如何被 AI 所改變，也開始投入 AI 的應用。這類趨勢反映出人類學者正透過與資料科學、工程技術的深度對話，來拓展自身的研究疆界。
※本文由換日線網站授權刊載，原標題為《AI 時代，為何不抄捷徑「研究人類」反而更加重要？ft.「百工裡的人類學家」宋世祥 》，未經同意禁止轉載。
【延伸閱讀】
●當 AI 縮小「技能落差」，身為大學教授的我，如何重新定義「教學」？
●當 AI「從頭到尾」完成一篇通過審查的論文──我作為一名人類研究者的反思
※本文由換日線授權刊登，未經同意禁止轉載