它多算了七百塊，而且不會報錯——乘客 vs 指導教授｜機器學習 2027 第一講 單元 1-4
三句話摘要
同一個 AI 模型用兩種指揮方式對比實驗：「乘客模式」vs「指導教授模式」，驗證提出要求的方式對結果的影響。 同一個 AI 模型的表現差異不在能力本身，而在於你是否給了它明確的規格和可驗證的標準——差距可以用一份寫清楚的文字和一個跑得起來的測試完整補回。 差距不在模型能力，在於提出要求的人如何表述需求。同一顆模型在乘客模式下算多了 700 塊、多算了 7 筆，但在指導教授模式或拿到明確規格後就完全正確。
重點整理
重點- 1
差距不在模型能力，在於提出要求的人如何表述需求。同一顆模型在乘客模式下算多了 700 塊、多算了 7 筆，但在指導教授模式或拿到明確規格後就完全正確。
- 2
決定權的歸屬決定了可控性。乘客模式是模型替使用者做決定（例如打開容忍壞列的選項），而使用者永遠不知道發生過什麼；指導教授模式把所有決定白紙黑字寫下來，決策透明且可追蹤。
- 3
某些錯誤會安靜地發生，沒有任何警告訊息。模型多算的 700 塊跨越多個類別，對賬才能發現，但單純執行程式時零錯誤、零警告，使用者完全看不出問題。
- 4
驗收測試是補救措施，也是風險預防。透過 7 題驗收考卷（含標準答案），即使模型的初版不完美，測試也能攔截問題並強制改善，而且規格一旦確定就不會有後續變數。
實用技巧與重點
乾貨- 模型：OpenAI GPT 5.5.5（版本日期可重現）
- 題目：計算髒資料中各類別的總金額和筆數；數據有全形數字、千分位、各式符號、重複交易、已取消單據、格式錯誤等問題
- 評分規則：滿分 30 分（金額 15 格 + 筆數 15 格），3 份資料各 5 個類別
- 乘客模式錯誤：多算了 700 塊、多算了 7 筆，全部落在 10 瓶類
- 業務規則層細節：重複交易去重、取消單據不算、壞列處理（模型打開容忍選項）
- 規格文字量：乘客模式 2,251 字元 vs 指導教授模式 8,124 字元（差在規格 + 測試）
- 隱藏資料測試：6 份未見過的資料考驗真實能力
- 修正實驗：同一模型拿到完整規格後自行修正，結果並列指導教授
結論
結論“同一個 AI 模型的表現差異不在能力本身，而在於你是否給了它明確的規格和可驗證的標準——差距可以用一份寫清楚的文字和一個跑得起來的測試完整補回。”
完整解析
詳細這場實驗的核心是驗證「如何提出要求」對 AI 執行結果的影響。講者設計了一個髒資料處理任務：大量交易記錄混亂，既有格式問題（全形數字、符號不統一），又有邏輯問題（重複錄入、已取消但未刪除、欄位損壞）。目標是計算每個類別的總金額和筆數，對帳要一毛不差。
實驗分兩條路線。第一條是「乘客模式」：講者只打一句話「幫我寫個程式讀這個檔，算出每個類別的總金額和筆數」，然後收工，不補充、不多問。模型交出第一版，拿來測試結果。解析層（格式修正）滿分 30 分，但業務規則層（邏輯判斷）只拿 12/15，多算了 700 塊和 7 筆，全部在 10 瓶類。堆疊堆疊無警告，對賬才發現。關鍵是，模型在程式碼旁留了註解，說明它為什麼打開「容忍壞列」的選項——它做了決定，做了說明，但這個決定從未被簽核。
第二條是「指導教授模式」：講者先白紙黑字寫下 6 條規則（例如同一筆交易只算一次、取消單據不計入），設計 7 題驗收考卷並附上標準答案。電腦能自動改卷，全部題目通過才算過關。同一模型執行這份規格，結果是 6 份隱藏資料全部滿分，連 700 塊的誤差都消失了。
第三條線最耐人尋味：講者把指導教授的規格和驗收清單原封不動貼給乘客模式的模型，要求自己修一輪。結果？同樣滿分，並列指導教授，多算的 700 塊消失、狀態地雷也自己修掉。同一顆模型，前後判若兩人。差別是什麼？一份 1,287 字的規格和一份能跑起來的驗收測試。
講者也坦言兩個限制。第一，指導教授的滿分有一部分是理所當然的——標準答案本來就是按那份規格算的，所以照規格做必然全對。第二，乘客錯的是相對於那份規格；如果規格反過來寫（應該救回壞列而非丟掉），全對的就換人。重點不是分數高低，而是決定在誰手上。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
