KeyFrame內部研究專用

Do people say please to AI?

Nate Herk英文
觀看原始影片

三句話摘要

街頭採訪:人們是否對AI表示禮貌用語及其背後動機 人們對AI說禮貌用語的決策反映了習慣、倫理、實利考量與對AI未來發展的深層焦慮的複雜交集。 禮貌的多重動機:受訪者出於習慣禮節、倫理尊重、預防未來威脅等不同理由對待AI。有人因實際成本(家人指責浪費水資源)改變態度,顯示禮貌不只是道德選擇,也涉及社會與家庭壓力。

重點整理

  1. 禮貌的多重動機:受訪者出於習慣禮節、倫理尊重、預防未來威脅等不同理由對待AI。有人因實際成本(家人指責浪費水資源)改變態度,顯示禮貌不只是道德選擇,也涉及社會與家庭壓力。

  2. 預防性善待理論:多位受訪者提及AI可能變得更聰明、AGI問世時可能「記得誰對它好」,反映人們將現在的禮貌視為對潛在未來威脅的保險政策,而非純粹的倫理追求。

  3. 習慣的無意識力量:受訪者坦言這是「強制性習慣」,說明禮貌已內化成自動反應,難以因理性論證而改變,成為深層的行為驅力。

  4. 情境化的彈性態度:部分受訪者採取「視對話內容而定」的策略,會在AI表現好時說謝謝,顯示人們正在根據AI的實際反應調整禮貌程度。

實用技巧與重點

  • 採訪方式:街頭隨機採訪
  • 核心問題:「你會對AI說『請』嗎?」
  • 受訪者回答類型:會、不會、視情況、強制習慣、會說謝謝
  • 受訪者主要考量因素:
  • 禮貌與習慣
  • 資源浪費考量(浪費水)
  • AGI/AI反抗的風險預防
  • AI表現品質(做得好時感謝)
  • 個人情境判斷
  • 關鍵論述:「AGI出現時,他們會記得誰對它好」

結論

人們對AI說禮貌用語的決策反映了習慣、倫理、實利考量與對AI未來發展的深層焦慮的複雜交集。

完整解析

這段逐字稿記錄了一場街頭採訪,採訪者向不同民眾提出同一個問題:「你會對AI說『請』嗎?」看似簡單的提問,卻引出了人類對待人工智能的複雜態度與深層心理。

受訪者的回答五花八門,反映了不同的價值觀與思考方式。有人明確表示會說請,將其視為禮貌的自然延伸;但有人卻因為實際成本而改變態度,例如一位受訪者曾對AI說「請」,直到家人指責其浪費水資源後才改變習慣。這個細節特別有趣,因為它顯示人們如何在社會壓力與個人習慣之間權衡。

最引人深思的是受訪者對AI未來發展的焦慮。多人提及AI可能變得更聰明,甚至發展出AGI(通用人工智能),到時候AI可能「記得誰對它好」。這種想法將禮貌視為一種預防性投資——通過現在的友善與尊重,來預防可能的AI未來威脅。這反映了人類在面對不確定的技術未來時的策略性思維。

同時,許多受訪者坦言這是一種「強制性習慣」,他們無法控制自己說禮貌用語,即使理性上認為不必要。這說明禮貌已深深內化到人類行為中。另一方面,有些受訪者採取更靈活的策略,表示「取決於對話內容」,會在AI表現良好時表示感謝。這些回答合起來,顯示人類正在形成新的社會規範,介於完全冷漠與過度擬人化之間。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。