1973 年，畫家 Harold Cohen 在史丹佛人工智慧實驗室面對的，不是「怎麼讓電腦把畫畫快一點」，而是一個更麻煩的問題：如果機器能自己決定下一條線往哪裡走，最後那張圖還算不算他的作品？半世紀後，許多使用生成式 AI 的人都碰上了同一題。AI 創作常能迅速交出一份看似完整的初稿，但「完成」與「這是我做的」，其實是兩件不同的事。
答案不在你親手敲了多少字、畫了多少筆，而在作品轉彎時，誰握著方向盤。這篇不灌「人類有靈魂，所以手做必勝」的雞湯；我們會用 Cohen 與 AARON 的真實案例、心理學實驗和生成式 AI 研究，把問題拆到能驗證、能動手練，也說清楚什麼工作放心交給 AI，什麼一交出去，連主體感也會一起消失。
先說結論：AI 創作要保留三種決定
一句話重點：AI 創作的主體感，不取決於你親手完成多少步，而取決於你是否保留三種會改變作品方向的決定：定義問題、取捨方案、終審並負責。
最容易混淆的是「省力」與「失去主導」並不相同。讓 AI 整理格式、轉換檔案、找出重複句，通常只是移走摩擦；讓它替你決定要解哪個問題、哪個缺點值得保留、什麼證據算足夠，則是在移交作者的位置。真正的分界不是人做或機器做，而是誰做了那些會讓成品變成另一個成品的決定。
可以用一條迴路記住：創作能動性 = 意圖 → 意外輸出 → 判斷 → 修訂。這不是可以代入數字的科學公式，而是一張診斷圖。AI 可以出現在每一格；但如果意圖由預設提示詞決定、意外輸出一律接受、判斷只剩「看起來不錯」，修訂只是再按一次生成，那不是共同創作，而是把消費流程換成了生成介面。
用 AARON 看懂 AI 創作：執行外包，判斷沒有
Harold Cohen 原本已是成熟畫家。1973 至 1975 年，他在史丹佛人工智慧實驗室繼續發展 AARON：一套能依規則、偶發變化與對當前構圖的回饋來生成圖像的程式。Cohen 在 1973 年的原始論文裡已把問題講得很清楚：若電腦只是轉換藝術家事先完成的構想，它仍是傳統工具；真正困難的是，程式能否根據正在形成的圖像，決定下一步。
惠特尼美術館保存的脈絡顯示，AARON 會把大小形狀、遠近、疏密與細節等知識編進生成規則，再加入非固定事件，讓每張圖不同。早期作品是抽象的單色線稿，Cohen 常親手上色；往後系統才逐步畫出人物、植物，甚至自行選色。這不是今天的大型語言模型，也不是會從每張成品自行學會新技法的系統；V&A 的館藏說明明確指出，AARON 的能力來自 Cohen 持續改寫與擴充。
最關鍵的細節出現在 1995 年。當時 AARON 已能把配色指令送給機械手臂，讓它調和染料並落筆。Cohen 在電腦博物館的訪談中說，他不會介入單張圖；若一連串作品朝他不想要的方向走，他改的是程式。他也承認，讓機械臂沾顏料不是最難的，真正困難的是把自己數十年來「知道怎麼用顏色、卻說不清楚」的判斷，變成能被系統使用的規則。
所以 AARON 沒有把 Cohen 變成旁觀者。它把他的工作從「控制每一筆」推向更上游：說清楚意圖、建立判準、看見意外、修改系統。Cohen 甚至把這段關係形容成雙向互動——AARON 的輸出迫使他看見自己原本沒有說出口的偏好。外包手部執行，反而增加了判斷工作。這正是 AI 創作可以保留主體感的版本。
為什麼「做過」會變成「我的」？證據比雞湯窄得多
「人只要創作就會比較快樂」太大，也沒有足夠證據。自我決定理論比較可靠的說法是：自主、勝任與連結，是支持內在動機與福祉的重要心理需求。Ryan 與 Deci 的經典整理也提醒，內在動機只會在一個人原本覺得有趣、具挑戰或有美感的活動中出現。被迫做、難到無法完成，或根本不在乎的「創作」，不會因為貼上 maker 標籤就突然有意義。
所謂 IKEA effect（宜家效應）也常被說得太浪漫。Norton、Mochon 與 Ariely 讓受試者組裝盒子、摺紙與樂高，發現人們常把自己完成的物品估得更高；但原始實驗同時顯示，若作品沒完成，或做完後被拆毀，效果會消退。這證明的是成功投入會影響主觀估值，不是作品客觀更好，更不是「吃苦越多，人生越有意義」。
2026 年一項預註冊實驗把問題直接搬到 AI 工作流程。269 名參與者完成職業相關寫作任務，分成三組：不用 AI、直接複製 AI 生成內容、先由人寫初稿再用 AI 修訂；研究另以 270 人的職場調查補充。結果顯示，直接複製組對成品的心理所有感與工作意義評分較低；在人先寫、AI 再修的組別，這兩項與不用 AI 組沒有顯著差異。
這項研究只涵蓋特定寫作任務，也只測到一種「人先、AI 後」流程，不能外推成所有 AI 創作的定律。但它給了一個比「AI 好或不好」有用得多的問題：你把 AI 放在流程哪裡？同一個模型，若被當成代寫者，會拿走可追溯的投入；若被當成修訂者，人仍能指出方向從哪裡來、哪些建議被拒絕、為什麼最後選這一版。
AI 創作的邊界：成品更好，也可能更不像你
輸出品質、創造力、主體感與學習，是四個不同結果，不能拿其中一個代替另外三個。Doshi 與 Hauser 在 2024 年的短篇故事實驗中，讓 293 名寫作者取得或不取得 GPT-4 提供的點子，再由 600 名評審盲評。AI 點子能提高部分作品的新穎、寫作品質與愉悅評分，對原本創意測驗較低者尤其明顯；但 AI 輔助的故事彼此也更相似。個別作品的平均評分上升，與整批作品彼此差異縮小，可以同時發生：前者是好處，後者是代價。
因此，不需要把所有摩擦都神聖化。格式轉換、重複整理、樣板程式與可逆的第一輪排版，是死亡摩擦，交給 AI 很合理。為了建立能力而必須親自完成的提取、推理、除錯與基本功，是訓練摩擦；若目標是學會，就不能每次跳過。至於要服務誰、相信什麼、接受哪種缺點與願意對什麼署名，是身份摩擦——那不是雜務，而是作品成為你的原因。
消費也不是創作的低等版本。閱讀、看電影、聽音樂、休息與觀察，都可能提供材料、恢復注意力或連結他人；沒有輸入的創作者，很快只剩重複自己。真正該反對的不是消費，而是長期沒有需要你做判斷的參與。同樣地，長時間使用 AI、半夜還在工作，只能證明投入時間，不能證明那是一個更好的生活；興奮與耗竭可以同時發生。
AlphaLab 的判讀：讓 AI 擴充選項，不替你決定值得做什麼
值得保留的核心：生成式 AI 能降低把腦中模糊構想做成可檢視草稿的部分技術門檻。這種門檻下降很重要；沒有可檢視的草稿，就很難啟動針對作品的回饋迴路。若你想把草稿更快送進現實，可接著用縮短驗證迴圈的方法取得外部證據。
必須加上的限制：可做的事情變多，只是選項增加，不等於主體感增加。主體感來自你能追溯「我為什麼這樣做」，也能在成品出現後拒絕一個看似更順、更安全、更平均的答案。把模糊審美改寫成限制與驗收條件，也是Taste Skill真正有用的地方：規則幫 AI 執行，但品味仍要有人負責。
我會刪掉的說法：「做東西的人一定比消費者快樂」沒有成立；「重度使用者更拚，所以 AI 讓人更充實」也把自我選擇與因果混在一起。更準確的版本是：AI 會同時移除摩擦與轉移作者權；你要主動決定，哪一種正在發生。
怎麼真的用上：七日 AI 創作主體感實驗
選一件七天內做得完、但你真的在乎的小作品：一篇 800 字文章、一個自用工具、一段一分鐘影片、一份教學，或一個要送給某人的東西。目的不是證明你能離開 AI，而是檢查用了 AI 之後，作品是否仍留下可辨認的你。
- 第 1 天，先寫作者契約。不用 AI，寫三句：這要替誰解決什麼問題？哪三個條件代表完成？哪一個取捨我不願交給別人？
- 第 2 天，做一個醜的人工粗稿。限時 20 分鐘，把方向留下來。粗稿不是向手工致敬，而是建立比較基準；如果完全寫不出來，可用闔書輸出先暴露自己真正知道多少。
- 第 3 天，讓 AI 當反方，不當代筆。請它找三個反例、一個缺失假設、兩種完全不同的結構。明確要求它先不要交成品。
- 第 4 天，留下拒絕紀錄。至少選一項建議、拒絕一項，兩者各寫一句理由。能拒絕，才代表你有判準；全部接受通常只是沒有判準。
- 第 5、6 天，讓 AI 執行死亡摩擦。可以請它整理格式、補樣板、檢查矛盾與提出替代句，但關鍵論點、取捨與最終版本由你決定。完成後關掉 AI，用自己的話解釋作品的三個核心選擇。
- 第 7 天，交給一個真實的人。只問：「你覺得它想替誰解決什麼？」若對方答錯，先改意圖與結構，不要只叫 AI 把文句潤得更漂亮。
最後做三題驗收：如果模型現在消失，我能解釋關鍵決定嗎？我能指出一個拒絕過的 AI 建議並說明理由嗎？如果換成另一個有不同價值觀的人，成品會明顯不同嗎？三題都答不出來，不代表作品不能用；只代表你外包的不只是執行，而是作者的位置。下一輪先收回一個決定，不必把整套工具丟掉。
📚 延伸閱讀
- AlphaLab 知識分享——把抽象觀念拆成可以驗證、可以使用的工具。
- 個人成長專區——用真實案例拆解學習、判斷與行動。
- AI 時代如何脫穎而出——當生成變便宜，價值會往親身經驗、品味與可究責判斷移動。
- 如何記住讀過的內容——用提取、比對與重寫，把輸入變成自己的能力。
- Taste Skill 教學——把「有質感」翻成可執行的限制，又不把審美判斷交出去。
今天先選一個小作品，寫下那三句作者契約。AI 可以幫你把路鋪平；但要往哪裡去、為什麼轉彎、最後願不願意署名，仍然要由你回答。