VIP 專屬文章 薛文蔚觀點：當葛林斯潘遇上波蘭尼─AI 時代，資料的「幽微」

想像一場跨世代的數據論壇，兩位大師跨越時空對話。一個研究「人們如何聽」，一個思考「人們如何說」。當葛林斯潘遇上波蘭尼，恰好揭開了資料世界最有趣、也最容易被忽略的一面。

葛林斯潘 Alan Greenspan（1926–2026）

曾任美國聯準會主席近十九年，長期與市場溝通的經驗，讓他深刻體會：人們往往只聽見自己想聽的。

波蘭尼 Michael Polanyi（1891–1976）

一位從科學家走向哲學家的二十世紀思想家。他發現一個看似簡單、卻影響深遠的事實：人腦裡知道的事情，並不一定都說得出來。他將這種「知道、卻難以完整說明」的知識稱為 Tacit Knowledge（隱性知識），並留下著名的一句話：“We can know more than we can tell.”

葛林斯潘曾說：「People hear what they want to hear.」人往往只聽見自己想聽的，只看見自己想看的，也只理解自己能理解、願意理解，或與自身經驗產生共鳴的那一部分。這件事，不只發生在語言裡，也發生在資料裡。

「這個月業績怎麼樣？」業務回答：「成長 20%。」正準備向總經理報告的主管，聽到的是：「很好，這個月表現亮眼。」

波蘭尼有一句著名的話：「We can know more than we can tell.」 我們知道的，往往比能說出來的更多。人在表達一件事時，會不自覺地省略掉大量的背景、動機、關係、因果和前提，因為在說話的人心裡，「這些大家應該都知道」。

但業務沒有說出口的，可能還有另一半事實：「因為上個月特別差」、「成長主要來自一筆不會再有的大單」，「營收增加了，毛利卻在下降。」

只是，這沒有說出口的另一半，大家真的都知道嗎？數字沒有錯，說話的人沒說謊，聽的人也沒聽錯，最後理解的，卻可能是兩回事。。

為什麼會這樣？

任何一筆資料，從被觀察、定義、分類，到最後被記錄進資料庫，其實都已經是對現實做了一次又一次的「取捨」。資料記錄了「發生什麼」，卻未必說得清楚「為什麼發生」；留下的是結果，隱去的往往是背後的來龍去脈。

例如，系統裡寫著「客戶狀態：不活躍」。 但業務知道，客戶並沒有流失，只是因主管更換而暫停採購。系統留下了「不活躍」這個結果，卻沒有留下「為什麼不活躍」的故事。

於是我們看到：現實在被轉成資料的那一刻，就只留下了一部分；人在讀取資料的時候，又只理解了其中的一部分。我們最後拿來做決策的，很可能只是「一部分的一部分」。這，就是資料的「幽微」之處。

在人的世界裡，說者未盡其意，聽者各取所需；而資料，記錄的往往只是兩者交會後留下的片段。

一場「消失的午餐」

分享一個親身經歷，讓我更深刻體會語言的「幽微」之處。一天早上，我的創業夥伴得知一位久未見面的投資人陳博士人在台北，便打電話問候：

「陳博士，聽說你在台北，有時間見面聊聊嗎？」 （相關報導： AI虛擬市民秒測風向　TPOC矽基民調九月上線 ｜ 更多文章 ）

陳博士回答：「我很好，明天要回美國，中午一起來淡水吃飯？」

夥伴爽快答應，隨即找我開車一起到淡水赴約。我們準時抵達餐廳，等了一個半小時，陳博士始終沒有出現。

到底哪裡出了問題？

原來，陳博士說的「中午」是指明天中午——他隔天晚上才搭飛機，覺得今天約得太匆忙，理所當然該約明天。而我們聽到的是「明天要回美國」，直覺反應卻是：既然明天要搭飛機，那「中午」當然是指今天中午。

同一句話，雙方都覺得意思再清楚不過，理解的卻是不同的兩天。

有趣的是，如果陳博士當時多說一個字：「我明天晚上要回美國，中午一起吃飯？」這個「晚上」反而可能讓我們察覺時間有歧義，追問一句：「你是說今天中午，還是明天中午？」

問題也就解決了。

在人的世界裡，不懂，可以問；說不清，可以再說；理解有誤，可以修正。人們透過對話、追問與求證，逐步縮小資訊落差、接近事實。正是這套人類文明長久形成的自我修正機制，讓我們得以容忍資料與語言的「幽微」。而幽微也未必是缺點，人類反而可以在「沒有說盡」之中理解彼此，甚至在留白之中創造美。

在電腦的世界裡，資料首先是給機器用的，而不是為了讓人直接讀的。 從銀行交易、企業管理、庫存管理到商業智慧，資料多為特定用途而生，背後都有專屬的應用程式。即使資料庫裡只是一欄一列的代碼與數字，其意義與使用方式，也早已寫進程式邏輯，並存在工程師的腦袋裡。資料不必自己說清楚，因為程式知道怎麼用，工程師知道它代表什麼。

這套模式支撐了過去五、六十年軟體產業的榮景，卻也悄悄累積了一筆 「語意債務（Semantic Debt）」。程式會改版，工程師會換人，資料卻留了下來；如果當初的目的、背景、定義與使用邏輯沒有被完整記錄，資料的意義便會隨著時間與人事更迭逐漸被遺忘。這些沒有被留下、日後又難以找回的意義，就是一筆筆累積的語意債務。

過去，這筆債務還可以被容忍，因為資料大多沒有離開原生應用程式這個「出生地」。在熟悉的環境裡，即使意義沒有說清楚，程式依然知道如何解讀、如何使用。

但 AI 的出現，打破了這個平衡。 資料不再侷限於原生應用程式與既定用途，AI 代理人（AI Agent）這個類人類的「新物種」，正成為資料世界全新的使用者，而且數量與使用規模可能遠超過人類。成千上萬、不斷工作的 AI 代理人，會主動尋找、理解、連結與重新使用資料，甚至運用過去累積的資料，解決當初未曾想過的新問題，進而做出有依據的判斷與行動。資料的角色也隨之改變：從「程式的一部分」，走向「可共享、可再利用的資源」。 （相關報導： AI虛擬市民秒測風向　TPOC矽基民調九月上線 ｜ 更多文章 ）

當資料脫離原生應用程式與既定用途，就像孩子離開父母，也出現了 AI 時代的「分離焦慮（Separation Anxiety）」。 一旦離開原有環境，原本隱含在程式邏輯、使用情境與工程師經驗中的意義，就不再理所當然。過去不必說明的，現在都必須被清楚地記錄下來。這正是 AI 時代的轉折點：過去可以被容忍的資料「幽微」，還有多年累積、始終沒還清的語意債務，現在通通變成了 AI 到底能不能真正理解資料的關鍵。

過去，我們把智慧寫進程式；未來，我們必須把意義還給資料。

如果把波蘭尼與葛林斯潘請回 AI 時代，他們對今天的資料世界，或許會有一場非常有趣的對話。

波蘭尼看到的是「說不完全」。「We can know more than we can tell.」到了 AI 時代，不再只是一個哲學命題，而是非常現實的資料問題。

例如，採購系統把某家廠商列為「優先供應商」。但資深採購心裡知道，這家廠商品質很好、價格也合理，只是交期偶爾不穩，所以急單不能給它。系統留下了「優先供應商」，卻沒有留下那個重要的「但是」。

人知道的是一整個情境，資料留下的卻只有一個標籤。資料一旦獨立出來，就必須讓陌生的 AI 也能找得到、取得、看得懂、連得起來，並能在新的情境中重新使用。波蘭尼提醒我們：資料最大的挑戰，是如何把「沒有說出來的」重新說清楚。

葛林斯潘看到的則是「聽不完全」。那句常被歸在他名下的話，「People hear what they want to hear」，資料留下來了，不代表後來的 AI 就會理解正確。

當採購 AI 代理人看到「優先供應商」，很合理地把它解讀成「應該優先下單的廠商」，於是把一筆急單交給它。資料沒有錯，AI 的推理看起來也沒有錯，真正錯失的，是資料沒說出口的那個「但是」。人如果理解錯了，還能啟動自我修正，去找對的人追問、求證；但 AI 代理人無人可問，只能靠手邊拿得到的資料做判斷、採取行動。一旦「猜錯」，一點點語意落差，就可能變成真實世界裡的損失。

葛林斯潘提醒我們：資料不只要說得出來，更要讓人聽得懂、理解對。人都會聽錯了，AI 代理人真的能聽懂嗎？

AI 代理人的到來，讓資料有了全新的使用者，也打開了更大的舞台。當資料能被發現、理解與信任，就有機會跨越原有的程式、情境與組織，從企業內部沉睡的資產，轉變為可共享、可再利用的 AI-Ready 資源；AI 也才能從「讀資料、回答問題」，真正走向有依據的決策與行動。

這也為資料經濟打開了新的想像。未來的資料將更加即時、多元、豐富而無所不在，更重要的是帶著意義、品質與信任。當一座座封閉的資料孤島（Data Silos）被打開、彼此連結，原本沉睡其中的價值便有機會跨越組織、安全流動，在新的情境中被重新創造。AI 的下一次躍進，不只需要更聰明的模型，更需要這樣一個 AI-Ready 的資料世界。

而這也帶出下一個更大的問題：當資料的價值開始流動、AI 開始行動，我們需要建立一個什麼樣的 AI-Ready 資料經濟？ （相關報導： AI虛擬市民秒測風向　TPOC矽基民調九月上線 ｜ 更多文章 ）

＊作者為核桃運算創辦人兼執行長 。