文科生在 AI 時代的「邏輯逆襲」，為什麼大型語言模型更需要古典修辭學？

生成式 AI 席捲各產業的當下，開發者們正忙於優化參數、推升算力與調整模型架構。

當技術進入企業落地端時，常面臨一個尷尬的瓶頸：即便擁有最強大的模型，輸出的結果依舊平庸、甚至偏離商業脈絡。許多人將此歸咎於AI的「幻覺」：因訓練資料不足、模式誤判或上下文誤解，產生與事實不符的回應，但在筆者看來，其實是「語言精準度」缺失。

AI時代下被低估的關鍵能力之一，是對語義的精準定義與邏輯架構，這也正是文科背景者的守備範圍：提示工程（Prompt Engineering）。在過往的資訊時代，人機互動的核心是「語法」（Syntax），我們必須學習電腦能理解的語言（如Python、C++），將人類意圖轉譯為嚴謹的邏輯結構，在LLM時代核心則轉向了「語義」（Semantics）。

LLM本質如同一座大型機率預測機器，它根據上文預測下一個字出現的機率。商業決策與創意產出需要的是「符合特定脈絡的精準解方」。筆者觀察到，目前的技術瓶頸在於人類「不會發問」。當開發者過度依賴調整參數（如 Temperature或Top-P），忽略指令中詞彙的權重與語境的邊界時，輸出的結果自然會滑向模糊，文科生對語言細微差別的敏感度，正能填補機率輸出與精準需求之間的鴻溝。

在討論提示工程（Prompt Engineering）時，許多人習慣尋找現成「模板」來套用，若追溯其學術根源，早在兩千年前亞里斯多德（Aristotle）提出的古典修辭學，三個核心概念便提供完美的提示框架：

人格特質（Ethos）：透過在Prompt 中設定角色（Persona），例如要求AI以「資深顧問」或「批判性學者」的身份回應，就能有效縮小模型的搜尋範圍，提升輸出的權威性和針對性。
情感共鳴（Pathos）：明確定義目標受眾，能讓文科背景人士發揮優勢，精準分析讀者的心理預期，引導AI調整語氣（Tone of Voice），使內容不僅正確且具備強烈的穿透力和感染力。
邏輯論證（Logos）：這是提示工程的核心，藉由「思維鏈」（Chain of Thought）手法，將複雜問題拆解為層層遞進的論點，確保AI的推理過程嚴謹且具說服力。

筆者認為，優秀的提示工程師能構建一個邏輯場域，當我們運用修辭學中的「結構化敘事」來約束AI的發散性時，LLM展現出的邏輯程度會更嚴密。

長期以來文科生常被標籤化「感性、缺乏邏輯」，現今的AI時代這樣偏見正在被翻轉，因為自然語言的邏輯是「開放式」的。文科訓練中強調的批判性思考、文本解構與詮釋學，正是處理開放式問題的利器。

當企業需要將抽象的願景轉化為AI可執行的步驟時，「定義模糊邊界」及「脈絡化思維」是文科生具備的優勢，釐清概念與概念之間的邏輯關聯，避免AI在概念滑轉中產生幻覺，以及理解技術產出在社會、法律或道德層面的影響等，這都是單純優化演算法無法觸及的領域。

可以說文科生的競爭力不完成是產出內容，還在「設定標準」，在內容生產過剩的未來，需要具備審美眼光、價值判斷與邏輯檢核能力的文科通才將成為管理AI決策者。

AI降低了技術門檻，卻拉高敘事門檻。一個能理解技術潛力，又能以深刻的人文視角進行跨學科敘事的人才能得到不同機會，所謂「跨學科敘事力」，是指能將枯燥的數據、複雜的模型邏輯，轉化成具商業洞察與情緒價值的價值主張。當AI 越強大，對「人之所以為人」的論述就越重要，需求的是能與機器對話、在對話中守住邏輯底線與創意靈魂的人。

（首圖來源：AI 生成）