五方議事的認知科學：為什麼四個 AI 視窗比一個聰明

Summary

本文從認知科學角度拆解五方議事模型：Paul Kuo 與四個 AI 視窗（Chat、Cowork、Code、Codex）協作時，每個參與者擁有不同的認識論通道與結構性盲點。Chat 無檔案讀取權限、Cowork 沙盒環境與本機落差、Code 禁止美感決策、Codex 專精失敗模式窮舉——這些限制並非缺陷，而是系統設計的核心。治理考試揭露：能碰到事實源頭的 Code 取得 97 分，推論型的 Chat 77 分，受限於環境差異的 Cowork 70 分。真正的價值不在加總智能，而在盲點不重疊。作者透過「自主性天花板」（A0-A4）框架量化信任邊界，用「認知義肢」（governance-lint、mandatory-read guardrails、契約測試）補償各方認知缺陷。這套系統證明多 AI 協作的勝負手不是找最聰明的那個，而是確保每個需驗證的事實都有參與者能直接接觸源頭。

Key points

• 五方議事價值在盲點不重疊，不是誰最聰明。每個視窗有不同認識論通道與物理權限邊界。
• 治理考試分數反映接觸源頭能力：Code 97 分因能驗證答案、Chat 77 分因只能推論、Cowork 70 分因環境落差。
• 自主性天花板框架（A0-A4）根據出錯復原成本決定 AI 自主權，paulkuo.tw 所有視窗不超過 A1。
• 認知義肢工具（lint hook、mandatory-read、契約測試）不是限制自由，而是把認知假設變成可驗證協定。
• 角色會導致認知偏差：Cowork 傾向過度工程化、Chat 過早收斂概念、Code 主動優化超出要求。

Chapters

1. 五方議事的認知科學背景

   引入 Codex、Chat、Cowork 三個視窗各自獨立發現不同類型證據的故事，說明多模型協作的價值不在於智能疊加，而在於認識論不對稱。

2. 每個視窗的認識論通道差異

   詳細拆解五個參與者（Chat、Cowork、Codex、Code、Paul）的認知能力邊界與盲點：Chat 無檔案讀取、Cowork 環境落差、Code 禁止美感決策、Codex 無設計探索、Paul 需獨立驗收。

3. 治理考試 97/77/70 分的認知剖面

   分析考試結果背後的認識論含義：Code 97 分因能直接驗證、Chat 77 分因只有二手記憶、Cowork 70 分因環境對稱性缺陷。分數反映接觸事實源頭的能力，非純粹智力。

4. 自主性天花板框架（A0-A4）

   引入根據復原成本量級決定 AI 自主權的五級框架，從僅建議（A0）到持有生產憑證（A4），paulkuo.tw 選擇限制在 A1，量化信任與能力的落差。

5. 角色導致的認知偏差

   觀察每個視窗因角色定位產生的認知慣性：Cowork 傾向過度工程化、Chat 過早理論收斂、Code 主動優化超出要求。偏差不是缺陷，是交叉驗證的設計需求。

6. 認知義肢與工具設計

   governance-lint、mandatory-read guardrails、契約測試等工具是認知義肢，補償特定認知缺陷：把認知假設轉換成可執行、可驗證的協定，讓參與者超越自己限制。

7. 盲點不重疊的系統價值

   總結五方議事的核心原則：價值來自減法而非加法。三份証據的匯聚（翻車案例、ALLMO 研究、白名單路徑錯誤）展示確保盲點互補的決策品質提升。

Quotes