當代 AI 是否只是另一種「數碼占卜」？

把當代 AI 稱為「數碼占卜」，聽起來像一句諷刺，但這個比喻有一定分析價值。占卜與 AI 都處理同一件事：人在資訊不足、未來不明、選擇過多時，希望有一套外部系統替自己整理訊號，給出方向。差別在於，占卜用卦象、星盤、牌面和命理語言處理不確定；AI 則用資料、模型、分數、排序和推薦處理不確定。前者看起來神秘，後者看起來科學，但兩者都容易取得一種近似「答案」的位置。

傳統占卜的運作是把人的出生時間、問題、抽籤結果或牌面，放入一套象徵系統，再輸出「宜」與「忌」。AI 的運作則是把人的點擊、停留時間、購買紀錄、地理位置、社交關係、搜尋紀錄和行為軌跡，放入統計模型或生成模型，再輸出推薦內容、信用評分、風險係數、匹配度和下一步建議。兩者的表面語言不同，但共同骨架相似：輸入訊號，經過一套規則，輸出可行動的判斷。

2025 至 2026 年之後，這個問題變得更明顯。AI 不再只是回答問題，也逐步進入搜尋、工作流程、購物、訂票、客服、招聘、金融評估和個人助理場景。Google 在 2026 年把更強的 AI 搜尋和代理能力放入 Search，OpenAI 亦在 2025 年把 Operator 整合成 ChatGPT agent，讓系統可以執行研究、預訂和多步驟任務。這代表 AI 的角色已經由「給意見」推進到「幫你安排下一步」。當一個系統可以替人搜尋、篩選、排序、建議甚至行動，它就開始接近一種日常決策基建。

「數碼占卜」最容易出現的地方是人把模型輸出當成命運。推薦系統說你可能喜歡某類內容，你就越看越多；信用模型說你風險較高，你可能得到較差條件。這些結果會影響人的路徑。占卜的問題多數停留在心理暗示；AI 的問題則更進一步，因為它可以直接改變排序、價格、曝光、機會和資源分配。所以 AI 與占卜不能簡單等同。AI 的強項在於可測試、可更新、可量化。模型可以用資料驗證，也可以透過實驗比較效果；占卜則較難在同一條件下反覆檢驗。但 AI 的危險亦正在這裡，因為它披上數字和技術語言，人更容易以為它中立、準確、客觀。其實模型只是把過去資料中的模式重新組織出來。如果過去的資料帶有偏見，模型就可能把偏見變成效率；如果平台的目標是延長停留時間，推薦就是服務系統的利益。

這也是為甚麼近年監管開始把信用評分、招聘、教育、公共服務等 AI 應用視為高風險領域，問題是它的判斷能否被追問、被修正、被申訴。占卜說錯了，人通常可以不信，但 AI 排序、評分或拒絕你時，後果可能已經進入制度流程。歐洲銀行業監管機構在討論 AI Act 對銀行與支付業的影響時，亦特別提到信用能力與信用評分這類高風險用途。我們要注意 AI 會否被社會使用成占卜。當人不再問模型根據甚麼資料、為誰服務、錯了由誰負責，只是接受一個分數、一個排序、一個推薦、一個風險標籤，AI 就開始神諭化，這種情況比傳統占卜更複雜，因為它能夠實際分配注意力、信貸、工作機會和社會能見度。

避免 AI 變成數碼占卜，關鍵是把 AI 拉回工具的位置。模型應該有清楚用途邊界，資料收集要最小化，高風險場景要有可解釋機制、偏差測試、人工覆核和申訴渠道。更重要是人不能把模型輸出當作最後答案。AI 可以提供參考，但不能取代判斷及免除責任。當代 AI 之所以像數碼占卜是因為它回應人類一直存在的需求：在不確定中尋找方向。差別是占卜多數影響人的心理，而 AI 已經進入制度、平台和市場。只要我們把 AI 當成可檢驗、可追問、可修正的工具，它就仍然是現代技術，但若我們把它的輸出當成不可質疑的安排，它就會成為新時代最有效率的占卜。