前兩篇聊了什麼
在前兩篇文章裡，我們談了 AI 幻覺的成因（被迫回答 + 選最像而非最正確），也談了比幻覺更隱蔽的「幽靈」——知識錯置——以及它為什麼比幻覺更危險。
寫完之後我一直在想一件事：這真的只是 AI 的問題嗎？
然後我想到了 Vibe Coding。
一場正在進行的戰爭
如果你有在關注 AI 輔助開發的討論，應該知道「Vibe Coding」這個詞已經在技術圈引發了一場不小的戰爭。
一邊是支持者：「AI 讓所有人都能寫程式了！想得到就做得到！」 另一邊是資深技術本位者：「不懂底層原理就用 AI 寫程式，遲早出大事。」
兩邊都很有道理。兩邊也都很自信。
但如果用前兩篇文章的框架來看這場戰爭，會看到一個有趣的結構。
TEE：專家才會犯的錯
今年初有一篇論文提出了一個概念，叫做 Transitive Expert Error（TEE，遞移式專家錯誤）。
它講的是一件反直覺的事：專業能力本身，在跨域的時候會變成系統性的弱點。
怎麼說呢？專家在自己的領域裡，長年累積了非常強的模式辨識能力。看到一個問題，直覺就知道答案，不需要慢慢推導。這在自己的領域裡是超能力。
但當這個專家跨到一個「看起來很像」但「底層邏輯不同」的相鄰領域時，麻煩就來了。他的模式辨識仍然在順暢運作——因為表面結構很熟悉——但它匹配到的是錯誤的因果關係。更要命的是，專家在這個時候不會感受到任何不確定性，因為他的直覺告訴他「這個我懂」。
這跟 Dunning-Kruger（俗稱「達克效應」，主要是指不懂的人不知道自己不懂）不一樣。TEE 是「很懂的人在跨域時不知道自己的專業不再適用」。Dunning-Kruger 的前提是能力不足，TEE 的前提恰恰是能力很強——正是因為你太強了，你的直覺太順了，跨域的時候大腦不會拉警報。
聽起來是不是很熟悉？
這不就是人類版的「幽靈」嗎？
知識是真的，能力是真的，經驗也是真的。只是被放到了不該放的地方。每個零件都對，組合是錯的。而且當事人完全不覺得有問題。
回到 Vibe Coding 的戰場
現在把 TEE 套到 Vibe Coding 的爭論上，兩邊的盲點就看得很清楚了。
Vibe Coding 的教學者（台灣這邊很多是行銷底的）
他們在行銷、課程包裝、社群經營上是真的專家。「把一個概念賣出去」「讓學員覺得自己做得到」這些事，他們做得非常好。
但當他們跨域到技術判斷的時候——「這個功能 AI 一定做得出來」「沒有什麼做不到的，想得到就做得到」——他們的行銷直覺仍然在順暢運作，但已經跨到了不同的因果領域。在行銷裡，「信心」是燃料；在工程裡，「信心」有時候是炸彈。
他們不是在騙人。他們是真的覺得可以，因為 TEE 就是這樣運作的。
Vibe Coding 的學習者
台灣目前大多數的 Vibe Coding 學習者，其實還在更前面的階段。他們不太有自己的明確需求，大多是跟著流行走，老師教什麼就學什麼。不太擅長提問——不是不願意問，而是不知道該問什麼。
這甚至不算 TEE，因為 TEE 的前提是你在某個領域已經有足夠的專業。這比較接近 Dunning-Kruger 的更早期——連「不知道自己不知道什麼」的階段都還沒到，是「還沒站穩就被推著往前走」。
資深技術本位者
他們在軟體工程、系統架構、程式品質上是真的專家。「沒有扎實基礎就不可能做出好東西」這個判斷，在他們的領域裡是完全正確的。
但當他們跨域到「AI 輔助開發的價值評估」「創作民主化的意義」「快速原型驗證的工作流」這些領域時，同樣的 TEE 發生了。他們用工程思維去評判一個不完全是工程問題的現象，而且評判得很自信——因為表面上看起來都是在談程式嘛。
「不懂底層就寫程式，遲早出事。」這句話在傳統軟體工程裡是對的。但在「用 AI 快速驗證一個商業想法可不可行」的語境裡，它可能是一個放錯位置的正確判斷。
一個幽靈。
兩個層次的幽靈
這裡有一個容易混淆的地方，值得拆開來看。
第一層：產出的幽靈。
Vibe Coder 用 AI 生成的程式碼裡，可能混入了來自其他框架、其他語言、其他範式的知識碎片。一個後端工程師在審查 AI 寫的前端程式碼時，可能因為表面結構看起來很熟悉，就放行了一段邏輯上有問題的程式碼。
這是 AI 產出層面的幽靈——跟前兩篇文章講的是同一回事。
第二層：思維的幽靈。
教學者把行銷領域的正確判斷（「信心是成功的關鍵」）跨域到了技術領域。技術本位者把工程領域的正確判斷（「基礎不紮實就做不出好東西」）跨域到了對新型工作流的評估。
這是人的認知層面的幽靈——每個零件都是真的，組合是錯的，而且當事人完全不覺得有問題。
兩個層次的幽靈在同一個戰場上交叉運作。難怪這場仗打不完。
不只是 Vibe Coding
如果 TEE 只出現在 Vibe Coding 的爭論裡，那它只是一個圈子裡的現象。但它不是。
醫療領域：醫生開始使用 AI 輔助診斷，但用自己的臨床經驗去解讀 AI 的輸出。當 AI 給出一個「看起來合理」但其實是錯置的判斷時，醫生的專業直覺反而讓他更不會質疑。
教育領域：資深教師認為「AI 不可能取代面對面教學」，這個判斷在傳統教育的框架裡是對的。但當討論的語境轉到「AI 如何擴展學習的觸達範圍」時，同一個判斷就變成了跨域的幽靈。
商業領域：財務專家用自己的風控邏輯去評估 AI 專案的投資價值，但 AI 專案的風險結構跟傳統投資完全不同。表面上都是「評估風險」，底層的因果關係已經不一樣了。
TEE 論文裡有一句話說得很精準：「當共通的詞彙掩蓋了不同的因果過程，TEE 的風險就會加劇。」
Vibe Coding 之所以戰火猛烈，正是因為雙方都在用「程式」「開發」「品質」這些共通的詞彙，但底下指的東西已經不一樣了。
人跟 AI 面對的是同一件事
現在把三篇文章串起來看，會看到一個完整的結構。
AI 的幻覺和幽靈： 因為不能說「不知道」，在知識不足時硬選了一個最像的答案。安全閥被設計者拔掉了。
人的 TEE： 因為感受不到自己需要說「不知道」，在跨域時把自己領域的正確判斷硬套到了別人的領域。安全閥自己失靈了。
機制一樣。差別只在 AI 是被迫的，人是不自覺的。結果都一樣——產出看起來合理的錯置。
而且人的版本在某些方面比 AI 更難處理。AI 至少可以透過語境塑形來重新打開「我不確定」的出口。但人要承認「我在這個領域可能判斷不準」，需要克服的不只是認知偏差，還有自尊、面子、和多年累積的專業身份認同。
（你去跟一個寫了 20 年程式的工程師說「你對 AI 輔助開發的判斷可能有盲點」，試試看他的反應…）
那怎麼辦？
其實答案從三篇文章的一開始就在那裡了。
對 AI：讓它可以說「我不知道」。不拔掉安全閥。
對人：讓自己願意說「這個我不確定」。修復那個失靈的安全閥。
說起來很簡單。但「謙虛好學」這四個字，大概是人類歷史上最常被說、最少被做到的事情之一。
不過有一個好消息：TEE 不是 Dunning-Kruger。Dunning-Kruger 的問題在於「你不知道自己不知道」——要解決它，你得先變得更懂，才能意識到自己不懂（這是一個邏輯上的死結）。
但 TEE 的問題不是你不夠強，而是你在跨域時忘了重新校準。你已經有能力了，你只是需要在跨域的那個瞬間，多問自己一句：「我在這個領域的直覺，還可靠嗎？」
這句話，就是人的版本的「我不確定」。
跨域不是問題，沒帶謙虛才是
最後要說清楚一件事：這三篇文章不是在說「不要跨域」。
跨域是好事。人類文明最重要的突破，幾乎都發生在領域交界處。文藝復興就是一場大規模的跨域運動。
問題不在跨域，在於跨域的時候有沒有帶著「我在這裡可能是新手」的自覺。
帶著謙虛跨域的人，會問問題、會查證、會說「這個我不確定」。 沒帶謙虛的人，會把舊地圖套在新領土上，然後自信滿滿地走進溝裡。
AI 如此。人也如此。
而整件事最諷刺的地方在於：我們花了幾百億教 AI 學會不要太自信，卻很少花時間教自己同一件事。
也許，在教 AI 說「我不知道」之前，我們可以先練習自己說出這三個字。
不丟臉的。真的。
～
by 豆腐 (DOFI)
參考資訊
- Transitive Expert Error and Routing Problems in Complex AI Systems (2026)——遞移式專家錯誤的原始論文：
https://arxiv.org/abs/2601.04416 - Dunning-Kruger Effect — Psychology Today 的完整解說：
https://www.psychologytoday.com/us/basics/dunning-kruger-effect - AI-Driven Overconfidence and the Illusion of Competence——AI 如何放大 Dunning-Kruger 效應：
https://medium.com/@santibanez.ernesto/ai-driven-overconfidence-and-the-illusion-of-competence-the-dunning-kruger-paradox-reloaded-part-9da192649bf5 - Ask a Local: Detecting Hallucinations With Specialized Model Divergence——用領域專用模型偵測跨域幻覺：
https://arxiv.org/pdf/2506.03357 - 本系列前兩篇文章：
