程式碼與法庭交會之處：站在法律與技術前沿的 AI（第 2/3 段）
🏦 台灣Pay 銀行轉帳 💙 PayPal
說明委派模式為何不適合專利工作，並提出協作模式與設計原則
- 10:45 專利決策像是對一個充滿對抗的未來下注：對方可能在 10 之後試圖讓它失效；決策沒有絕對對錯，而是依承擔後果者的風險胃納，拿一種風險換另一種風險
- 16:04 這種一致性縮小了可能的實作範圍，或許能讓人更放心委派
- 21:20 好處：使用者既能享有專用介面，也能看到熟悉的模式，也就是系統透過推理和引用呈現自己的工作過程
💡 你可以怎麼用：用 AI 處理重要文件前，先問兩件事：結果能不能驗證？改一處會不會牽動其他地方？如果兩個答案都是「會出問題」，就別整包丟給 AI，而是分段請它列出選項、利弊和資料出處，你拍板後再讓它寫下一段。
看全部 38 條重點
🧑🏫 這段在講：寫程式時很好用的做法，是把工作整包交給 AI、最後再檢查；但搬到專利工作就不靈了。講者說明原因，並提出改用「人和 AI 一步步合作」的方式與三個設計原則。只要你想在專業工作上用 AI，這段都能幫你判斷什麼時候可以放手，什麼時候要自己一步步把關。
- 10:45 專利決策像是對一個充滿對抗的未來下注：對方可能在 10 之後試圖讓它失效；決策沒有絕對對錯，而是依承擔後果者的風險胃納，拿一種風險換另一種風險↳ 申請專利就像下注：日後對手可能想辦法讓它失效。這裡沒有標準答案，只能看承擔後果的人能吃多少風險，決定冒哪一種險。例如範圍寫大容易被挑戰，寫小容易被繞過。
- 10:45 第一個理由看的是決策能被驗證的程度，第二個理由看的是決策彼此牽連（entangled）的程度↳ 講者用兩把尺比較寫程式和寫專利。第一，做好的決定能不能檢查對錯。第二，決定之間有沒有牽連（entanglement），也就是改一個，就得連帶改別的。
- 11:19 軟體開發中，agent 可以自主做數百個微決策，大多能回頭修改，不必拆掉其他部分↳ 寫程式時，agent（能自己規劃、動手做事的 AI 助手）可以自己做幾百個小決定。錯了大多能單獨改回來，不會牽動其他部分。
- 11:19 軟體中無法單獨回改的決策，通常事前就能預見，可以在初期規劃階段由工程師把自己的判斷交代清楚、先取得共識↳ 程式裡少數「改一處就得大翻修」的決定，通常事前看得出來。所以工程師可以一開始就把想法講清楚，先跟 AI 對好方向。
- 11:19 專利的決策彼此緊密耦合，而且不容易在一開始就浮現↳ 專利不一樣：各個決定緊緊綁在一起，而且這些關聯一開始看不出來。
- 11:50 請求項範圍、請求項用語、說明書、圖式彼此相依，這些相依關係常常要等文件逐漸成形才會顯現↳ 專利由三塊組成：請求項（claim，界定保護範圍的條文）、說明書（spec，詳細描述發明的內文）和圖式。三者互相牽動，常常寫到一半才發現彼此的關聯。
- 11:50 例：律師想重新架構請求項 1，往往就得回頭改下面許多請求項、支撐它的說明書段落，常常還包括很多線稿圖↳ 例如律師想改寫第 1 項請求項，後面許多請求項往往都得跟著改，說明書裡支撐它的段落也要改，常常連好幾張線稿圖都得重畫。
- 12:21 委派模式單獨遇到其中一點還應付得來，兩點同時存在才真正崩解↳ 委派模式（delegation model）就是把工作交給 AI 做完，人最後再審。「難驗證」和「互相牽連」只碰到一個，這種模式還應付得來；兩個同時出現才會垮。
- 12:21 如果正確性能被測試，就可以一直迭代到測試通過，牽連就不是大問題；如果決策彼此獨立、事前可預見，律師就能一開始講清楚需求，只把實作委派給 agent↳ 如果對錯能測試，AI 可以一直改到通過，牽連就不怕。如果各個決定彼此獨立、事前又看得到，律師開頭交代清楚、只讓 AI 動手做就好。
- 12:52 兩點並存時，律師的判斷既不能延到最後審閱才做，也不能全部集中在開頭，必須在專利成形過程中依序投入↳ 專利兩個問題都有。所以律師不能等到最後才看，也不能開頭一次交代完，而要一邊寫、一邊在每個關鍵點下判斷。
- 12:52 每一個判斷都會限制下一個判斷，而且下游沒有任何機制能攔下錯誤的判斷↳ 前一個判斷會框住後一個判斷，而後面的步驟沒有任何關卡能抓出前面判錯了，錯誤會一路帶下去。
- 13:24 第三點：軟體開發大多是把熟悉的模式重新組合來解決問題，很適合用 reinforcement learning 訓練，模型實驗室因此能把模型的軟體開發能力極度優化↳ 第三個差異：寫程式多半是把熟悉的做法重新組合。這很適合用強化學習（reinforcement learning，做對就給獎勵、反覆練習）來訓練，所以模型寫程式特別強。
- 13:57 專利工作中，模型要推理的發明「按定義就是 out of distribution」；模型雖能靠一般領域知識推理沒看過的發明，但這種推理不像軟體開發那麼適合 reinforcement learning↳ 專利裡的發明本來就是新東西，也就是 out of distribution（超出模型見過的範圍）。模型能靠一般知識推理，但這種能力比較難用強化學習練強。
- 14:28 再加上 hallucination 更難察覺、代價也可能更高，就會想要避免那種放手讓 agent 自己搞定一切的模式↳ 再加上 hallucination（AI 一本正經講錯或捏造內容）在專利裡更難發現、代價也更高，所以不該放手讓 agent 全包。
- 14:28 第四點：軟體本身就是文字形式，成品、編輯器和模型對它的表示方式，全都是同一個東西↳ 第四個差異：程式本身就是文字。成品、編輯器裡看到的、模型讀到的，全都是同一份東西，中間不需要轉換。
- 15:00 專利除了文字，還有非常關鍵的線稿圖，常常也有化學結構和生物序列↳ 專利除了文字，還有很關鍵的線稿圖，常常也有化學結構式，以及 DNA、蛋白質這類生物序列。
- 15:00 Solve 發現，模型對這些內容的推理能力，很大程度取決於資料怎麼表示↳ 講者所在的公司 Solve 發現，模型能不能讀懂這些圖和結構，很大程度要看資料用什麼格式呈現給它。
- 15:00 講者建議：任何有重要非文字資料的領域，想清楚怎麼把資料表示給模型看，就是應用程式能真正創造價值的地方↳ 講者建議：只要你的領域有重要的非文字資料，想清楚怎麼把它轉成模型好理解的形式，就是 AI 產品真正能創造價值的地方。
- 15:32 第五點兩面都說得通，講者姑且算委派模式得分：軟體產出差異很大，專利結構卻非常一致，都有相同段落、受相同規則約束↳ 第五點正反都說得通，講者姑且算委派模式得分。理由是程式寫法五花八門，專利格式卻很固定：段落相同，也遵守同一套規則。
- 16:04 這種一致性縮小了可能的實作範圍，或許能讓人更放心委派↳ 格式固定，代表可能的寫法變少、能出錯的空間小，所以或許比較能放心把工作交給 AI。
- 16:04 但同樣的一致性也能被應用層利用：打造專用的工作流程和介面，會對整個使用者群都合用，所以這點也不算委派模式明確勝出↳ 但反過來說，格式固定也讓人能做出專用的流程和操作畫面，而且所有律師都用得上。所以這點委派模式也沒有明顯勝出。
- 16:37 替代方案的目標：讓使用者（律師）能彈性、快速、有效地逐一處理一連串彼此相依、影響重大的決策↳ 講者要的替代做法：讓律師能靈活、快速、有效地一個接一個處理那些互相牽連、又影響重大的決定。
- 16:37 AI 的角色一：在需要做判斷的時候把判斷點提出來，讓律師容易看懂其中的取捨，做出資訊最充分的決定↳ AI 的第一個角色：在需要判斷時主動把問題提出來，把各選項的利弊講清楚，讓律師掌握最充分的資訊再決定。
- 17:10 AI 的角色二：決定做好後負責執行，例如做後續分析或撰寫申請文件的某個部分；所以需要的是協作模式，而不只是委派↳ AI 的第二個角色：律師決定後由它執行，例如做後續分析或寫某段申請文件。這就是協作模式（collaboration model），不只是把工作丟給 AI。
- 17:41 兩者不是非黑即白：Cowork 這類通用軟體偏向委派模式，但也提供協作方式；Solve 的軟體偏向協作，也能委派任意範圍的工作↳ 兩者不是二選一。像 Cowork 這類通用 AI 工具偏向委派，但也能協作；Solve 的產品偏向協作，也能把任意大小的工作委派出去。
- 17:41 以委派為核心和以協作為核心的軟體，最後長得相當不一樣↳ 不過，以委派為核心和以協作為核心的軟體，做出來的樣子會差很多。
- 18:11 差異很多在 UI/UX，但也影響底層 AI 層的建構方式；講者提出三項原則，先抽象說明，之後用 demo 展示↳ 差別大多在 UI/UX（操作畫面和使用體驗），但也會影響背後 AI 的建構方式。講者先講三個原則，之後再用實際示範說明。
- 18:11 原則一：把引用（citations）當成一等公民↳ 原則一：把引用（citations，標出每個說法出自哪份資料）當成「一等公民」，也就是把它當成系統的地基，而不是附加功能。
- 18:44 在做高風險、又無法自動測試正確性決策的領域，引用很有幫助；hallucination 仍會發生，尤其在模型知識的前沿↳ 決定風險高、又沒辦法自動測對錯時，引用特別有用。因為 AI 還是會講錯，碰到它知識邊緣的題目尤其如此。
- 18:44 附上引用的推理能讓人驗證正確性，這個想法本身並不新↳ 推理時附上出處，人就能回頭查證對不對。這個想法本身並不新。
- 19:16 很多引用做法是最後才外掛上去，只為了增加可信度，而不是真正記錄「哪些資訊來源影響了最終輸出」的稽核軌跡↳ 但很多產品的引用是最後才補上去，只為了讓答案看起來可信，並不是真的留下稽核軌跡（audit trail，記錄哪些資料影響了最後結果）。
- 19:16 原因是引用實作起來很麻煩，常常跟 tool calling、subagent、compaction 等模式配合不好↳ 原因是引用很難做好，常常跟這幾種機制處不來：tool calling（AI 呼叫外部工具）、subagent（接手分工的子 AI）、compaction（對話太長時壓縮內容）。
- 19:46 一等公民的意思：agentic 系統中給 LLM 看的任何資訊，都要用可被引用的格式提供，例如使用者正在編輯的文件、上傳成 PDF 的發明揭露書、執行時拉進來的前案↳ 一等公民的做法：凡是給 LLM（大型語言模型）看的資料，都要能被引用。例如正在編輯的文件、上傳成 PDF 的發明揭露書，以及執行中查到的前案（已公開的相關技術）。
- 19:46 LLM 跟使用者溝通、LLM 彼此溝通時，都要標明出處↳ 不管是 AI 回話給使用者，還是 AI 之間互相傳話，都要註明資訊出處。
- 20:18 這常常需要自己設計 tool calling、subagent 等模式；但若真想知道決策是怎麼做出、為什麼這樣做，就必須把引用當作基礎↳ 這通常得自己重新設計工具呼叫、子 AI 等機制。但如果真想知道決定是怎麼做出來、為什麼這樣做，引用就必須從底層做起。
- 20:18 原則二的背景：常會提供一個通用 agent，讓使用者用自然語言開放式互動；但有些重複性工作流程，用專用介面引導使用者、讓他們指定需求會更容易↳ 原則二的背景：產品常提供一個通用 agent，讓人用平常說話的方式自由下指令。但有些重複性的流程，用專門畫面一步步引導使用者填需求會更順。
- 20:50 原則二：即使在這些情況，也常能把使用者在專用介面上的設定轉成一段指令，交給通用 agent 執行，必要時加上額外的工具↳ 原則二：就算用專門畫面，也能把使用者的設定轉成一段指令，交給通用 agent 執行，需要時再加掛額外工具。
- 21:20 好處：使用者既能享有專用介面，也能看到熟悉的模式，也就是系統透過推理和引用呈現自己的工作過程↳ 好處是兩邊都拿得到：有專門畫面好操作，也能看到熟悉的呈現方式，也就是系統把推理過程和引用攤開給你看。
📘 術語
delegation model（委派模式）：字幕指把工作交給 agent 自主完成、人最後審閱，或事前講清楚後只委派實作的模式
collaboration model（協作模式）：AI 在需要時提出判斷點給人決定，再執行決定，讓人依序投入判斷
entanglement（牽連／相互糾纏）：決策彼此相依，改一個就得回頭改其他部分
claim（請求項）：專利文件的一部分；改請求項 1 往往得回頭改下面許多請求項
spec（說明書）：專利文件的一部分，其中有段落支撐各請求項
prior art（前案）：字幕舉例為執行時拉進來、要讓 LLM 能引用的資訊
invention disclosure（發明揭露書）：字幕舉例為使用者上傳成 PDF、要讓 LLM 能引用的文件
reinforcement learning（強化學習）：軟體開發很適合用它來訓練，專利推理比較不適合
out of distribution（超出訓練分布）：專利中的發明按定義就是模型沒看過的東西
hallucination（幻覺）：在專利工作中更難察覺、代價更高，在模型知識前沿仍會發生
first class citizen（一等公民）：把引用當作系統的基礎，而不是最後才外掛上去
audit trail（稽核軌跡）：真正記錄哪些資訊來源影響了最終輸出
tool calling（工具呼叫）：字幕說它常和引用配合不好，需要自己設計模式
subagent（子代理）：字幕說它常和引用配合不好，需要自己設計模式
compaction（上下文壓縮）：字幕說它常和引用配合不好，需要自己設計模式
collaboration model（協作模式）：AI 在需要時提出判斷點給人決定，再執行決定，讓人依序投入判斷
entanglement（牽連／相互糾纏）：決策彼此相依，改一個就得回頭改其他部分
claim（請求項）：專利文件的一部分；改請求項 1 往往得回頭改下面許多請求項
spec（說明書）：專利文件的一部分，其中有段落支撐各請求項
prior art（前案）：字幕舉例為執行時拉進來、要讓 LLM 能引用的資訊
invention disclosure（發明揭露書）：字幕舉例為使用者上傳成 PDF、要讓 LLM 能引用的文件
reinforcement learning（強化學習）：軟體開發很適合用它來訓練，專利推理比較不適合
out of distribution（超出訓練分布）：專利中的發明按定義就是模型沒看過的東西
hallucination（幻覺）：在專利工作中更難察覺、代價更高，在模型知識前沿仍會發生
first class citizen（一等公民）：把引用當作系統的基礎，而不是最後才外掛上去
audit trail（稽核軌跡）：真正記錄哪些資訊來源影響了最終輸出
tool calling（工具呼叫）：字幕說它常和引用配合不好，需要自己設計模式
subagent（子代理）：字幕說它常和引用配合不好，需要自己設計模式
compaction（上下文壓縮）：字幕說它常和引用配合不好，需要自己設計模式
✏️ 小考一題
講者認為委派模式在專利工作中「真正崩解」的原因是什麼？
A. 模型無法處理任何文字以外的資料B. 律師不習慣使用 AI 工具，採用率太低C. 專利文件結構太一致，模型容易產生重複內容D. 決策無法被自動測試正確性，而且彼此牽連；兩點同時存在看答案
答案：D。[12:21] 講者說委派模式單獨遇到其中任一點還應付得來，兩點同時存在才真正崩解；[10:45] 兩點分別是決策能被驗證的程度，以及決策彼此牽連的程度。
💛 覺得有幫助？支持一下
課本免費、沒有廣告，支持與否都能照常讀 🐰