AI-LECTURER 速報課｜2026-09-26｜約 25 分鐘

AI 解得開歷史謎題嗎？先用五個問題檢查「這個題目能不能交給 AI」

取材：Using LLMs to trace alchemical knowledge and decode 17th century letters（Hacker News（AI 高人氣））

📍 真實場景

林筱雯，歷史所博士班三年級，研究十七世紀歐洲的手抄書信與煉金術文獻

她手上有一大批已經掃描好的拉丁文與法文書信影像，決定用最新的 AI 模型幫她「解題」，而不只是幫她把手寫字轉成文字。

😖 卡住的地方：她第一次丟給 AI 的問題是「這位學者私底下到底相信什麼？」，得到一篇洋洋灑灑的分析，卻找不到任何方法檢查它是對是錯。她開始懷疑：是模型不夠強，還是自己問錯了問題？

💡 這課給你原文作者整理的「五問檢查表」：動手之前，先判斷一個研究題目適不適合交給最強的 AI，並用瀏覽器裡的體檢器親手試一次。

🧭 這到底是什麼（白話版）

這是一位歷史學者寫的實驗報告。他先前寫過 AI 用在歷史研究上的陷阱與用途，但他說 2024–25 年之後情況大變。這週 GPT-6 Sol 與 Opus 5.5 兩個新模型同時推出，他拿前沿模型當下能力最頂尖的一批 AI 模型，不再只讓大型語言模型（LLM）用大量文字訓練、能讀寫人類語言的 AI 做研究助理的雜事（例如轉錄文件），而是真的去解歷史上還沒解開的問題。

他的結論是：把歷史學家組成合作小組，搭配目前的前沿模型，可望在歷史知識與詮釋上產生許多進展，其中不少可能相當有意義。他說這在去年都還不是這樣，所以呼籲 AI 實驗室、歷史研究者與經費機構，都該開始主動推動這類合作。請注意，這是作者的看法（原文用「in my view」「my guess」這類語氣），不是已經被證實的定論。

不過並不是什麼歷史問題都適合。作者發現，和數學一樣，模型在遇到可處理的問題模型有機會真的處理完的題目，原文說模型自己常用「tractable」來形容時表現最好。他列出五個檢查問題：專家是否已經列出待解問題？需要的資料是否已經數位化把紙本或手稿掃描、轉成電腦能讀取的檔案且拿得到？題目是否對準 AI 的尖刺式能力AI 不是樣樣平均，而是在某幾項特別突出，像多語推理、進階數學、在大量資料或跨學科之間自主查找？解法能不能靠寫專用程式為這個題目量身寫的小程式，而不是現成軟體完成？以及最重要的一題：答案能不能被明確證實或推翻？

照這五個標準，作者認為前沿 AI 目前能幫上忙的歷史「開放問題」其實相當有限，主要是三類：一、密碼與破譯把加密過的文字還原成能讀懂的內容；二、追蹤一段文字如何在不同語言的翻譯與改寫之間流傳；三、把只分散發表在各個小眾子領域、還沒被整合的研究發現連起來。作者自己的例子是：他用 GPT-6 Astra 辨認出牛頓自由翻成拉丁文的一段話，原文出自一本法文煉金術文本，而他說這個辨認似乎先前沒人做過。

🎯 為什麼值得你花時間

從「研究助理」升級成「解題夥伴」過去 AI 在歷史研究裡多半做轉錄文件這類輔助工作。作者這次的實驗是拿它去解真正的歷史問題，例如辨認牛頓那段翻譯的出處。如果他的判斷是對的，歷史學家與 AI 的合作小組可能帶來不少知識進展，這也是他呼籲 AI 實驗室與經費機構投入的理由。

挑對題目，比挑最強的模型更重要作者拿數學當對照：推理模型會先一步步推演再給答案的 AI 在數學領域勢如破竹，在人文領域卻沒有，關鍵原因之一是數學答案能被清楚證實或推翻。所以動手前先問「這個題目驗收得了嗎？」，能少走很多冤枉路。

這套檢查表不只適用歷史五個問題本身不綁定歷史：專家有沒有列出問題、資料拿不拿得到、有沒有對準 AI 強項、能不能寫程式、能不能驗證。你要把 AI 用進自己的工作之前，都可以先過一遍。（這是本課的延伸應用，原文談的是歷史研究。）

⚙️ 它是怎麼運作的

關卡一：專家已列出待解問題先確認這個領域的專家已經整理出一批「大家都同意需要解決」的問題。這樣你問的不是臨時想到的怪題目，成果也比較容易被同行拿來對照評價。

▼

關卡二：資料已數位化、拿得到AI 只能處理它讀得到的資料。手稿與書信如果還沒掃描成電腦可讀的檔案，或被鎖在拿不到的地方，題目再好也無從開工。

▼

關卡三：對準 AI 的尖刺式強項作者點名三項：多語推理、進階數學，以及在大量資料或跨學科領域之間自主查找。例如追蹤文本在不同語言間的流傳，就同時需要多語能力與大量比對。

▼

關卡四：解法適合靠專用程式完成作者把「解法適合用專用程式」列為條件。本課的理解是：能寫成程式的過程可以重跑、修改、檢查，不必全靠 AI 一次性的聊天回答。

▼

關卡五：答案能被證實或推翻（最重要）作者認為這是最關鍵的一條，也是推理模型在數學橫行、在人文領域沒那麼順的重要原因之一。答案沒有對錯的標準，你就分不出模型是真的解對，還是只是說得很像。

作者列出的三類適合題目（第三欄為本課整理，非原文逐字）

題目類型	原文舉的例子	為何較容易過關（本課整理）
密碼與破譯	Astra 解開 1941 年德軍通訊與一戰德軍無線電密碼；作者也嘗試用 GPT-6 Astra 處理伊莉莎白時代神祕學家 John Dee 的密碼魔法書《Liber Loagaeth》（節錄未交代結果）	還原出的文字讀不讀得通，一看就知道對不對，容易通過第 5 關
追蹤文本在翻譯與改寫間的流傳	作者用 GPT-6 Astra 辨認出牛頓自由翻成拉丁文的一段話，出自一本法文煉金術文本	需要跨語言比對大量文本，用得上多語推理；找到原文後可以逐句對照驗證
串起分散在小眾子領域的既有發現	作者認為這類可能是最有影響力的新方法；原文節錄在舉例處中斷	用得上在大量資料與跨學科之間自主查找的能力；成果要回頭查證各來源

🔍 程式碼漫遊（點有 ● 的行看白話講解）

把五問檢查表寫成一個小函式。這是本課自己寫的示範，不是原文的公式。重點是看「一票否決」怎麼寫：最重要的條件放在最前面先擋下來。

●CHECKS = ['experts_listed', 'data_digitized', 'fits_spiky',

💬 五個檢查項的名字，對應原文的五個問題：專家已列出問題、資料已數位化、對準 AI 強項……

● 'code_solvable', 'verifiable']

💬 ……能靠專用程式解、能被證實或推翻。用英文名字而不是數字編號，之後讀程式才看得懂每一項在問什麼。

●def assess(answers):

💬 answers 是一份字典（像一張填好的表單）：每個檢查項對應 True（有）或 False（沒有）。

● if not answers['verifiable']:

💬 先檢查最重要的一項。這叫「提早退出」：一發現致命缺口，後面就不必再算。

● return '先別交給 AI'

💬 答案無法驗證，其他四項再漂亮也不算數。

● score = sum(answers[k] for k in CHECKS)

💬 把五項逐一取出來加總。Python 裡 True 算 1、False 算 0，所以總和就是「通過幾項」。

○ if score == 5:

● return '很適合'

💬 五項全過，才給最高評價。

○ if score >= 3:

● return '有機會，先補缺口'

💬 過了大半但還有缺口，回答的重點是「補什麼」，而不是「行不行」。

● return '缺口太多，先改題目'

💬 前面的條件都沒命中，就走到這裡：建議先縮小或重新定義題目。

🛠️ 動手做：題目體檢器：這個歷史問題能交給 AI 嗎？

先看預設的「辨認牛頓譯成拉丁文的那段文字」：五題全勾，體檢器給出「很適合」。這對應原文作者做出的實際例子。
從下拉選單換成「這位十七世紀學者內心真正相信什麼」：第 5 題沒勾，體檢器立刻一票否決。想一想，為什麼其他題目再怎麼勾都救不回來？
回到「牛頓」那題，只取消第 5 題、其他維持勾選，觀察結論怎麼變；再改成只取消第 2 題（資料數位化），比較兩種缺口的嚴重程度差在哪裡。
選「自己出題」，想一個你工作或興趣裡的問題（例如：我能不能用 AI 從一年份的客服紀錄找出最常見的退貨原因？），逐題誠實勾選，看看你最需要補哪一個缺口。

👇 下面是活的，直接操作

🧠 工程思維透鏡（資深工程師看到的是什麼）

🔭 如果你是工程師，為什麼會把「答案能否被證實或推翻」排在第一位？

工程師有個習慣：沒有測試的東西，就不知道它壞了沒。原文把「能否證實或推翻」列為最重要的條件，本質上是在問：這個題目有沒有「驗收標準」？數學題有標準答案，AI 解對解錯一目了然；解密後的文字讀不讀得通、找到的原文能不能逐句對上，也都能檢驗。相反地，「某人內心信什麼」沒有驗收標準，模型輸出再流暢也只是一篇文章。這裡的取捨是：能驗證的題目範圍窄，但成果可信；不能驗證的題目範圍寬，但成果只能當靈感。

🔭 「資料要數位化」「解法要能寫成專用程式」這兩條，其實在保護什麼？

它們保護的是「可重複、可檢查」。資料在電腦裡，才能被反覆讀取；解法寫成程式，別人（包括未來的你）才能重跑、找錯。如果整個過程只是和 AI 聊天，你得到的是一次性的答案，出錯了也不知道錯在哪。代價是前置成本：要先花時間掃描與整理資料，還要有人會寫程式。這是本課的工程角度解讀，原文只是把這兩項列為條件。

🔭 為什麼作者強調「尖刺式能力」，而不是說 AI 什麼都行？

「尖刺」意味著能力分布不平均：在某幾項（多語推理、進階數學、在大量資料中自主查找）特別突出，其他地方不一定。工程上這像選工具，不會拿鎚子去鎖螺絲。所以選題要「順著尖刺走」，例如追蹤文本在不同語言間的流傳，正好用上多語與大量比對。設計取捨在於：只挑對準強項的題目，命中率高，但看起來能做的事變少；什麼都丟給 AI，範圍廣，但失敗率也高。

🔭 讀這篇文章時，哪些地方該保持警覺？

第一，作者自己用「in my view」「my guess」這類語氣，並稱這些是早期結果；牛頓那段的辨認，他也只說「似乎」先前沒人做過。第二，文章網址的標題部分是 ai-labs-need-to-start-funding-historical（AI 實驗室該開始資助歷史……），帶有倡議資助這類合作的色彩，寫作目的之一是說服，不是中立的實驗報告。第三，本課取得的原文節錄在舉例處中斷，作者處理 John Dee 那本書的結果也沒有在節錄內交代，所以我們不能替他補上結論。資深工程師讀技術文章，會把「已驗證的結果」和「作者的主張」分開記。

📝 隨堂考（點選答案，立即回饋）

Q1. 依原文，作者把哪一個條件視為「最重要」的判斷標準？

✅ 原文在五個問題中特別標出「Most importantly」的是最後一項：解法能否被清楚證實或推翻。

Q2. 下列哪一個題目，最符合原文列出的「前沿 AI 可合理期待幫上忙」的類型？

✅ 密碼與破譯是原文列出的三類之一，而且還原出的文字讀不讀得通可以檢驗。其他三個選項都沒有明確的驗收標準。

Q3. 作者用 GPT-6 Astra 辨認牛頓自由翻譯成拉丁文的那段話，屬於哪一類題目？

✅ 牛頓把一段法文煉金術文本自由翻成拉丁文，作者要做的是找出原文出處，正是「追蹤文本在翻譯與改寫間的流傳」。

Q4. 原文說推理模型在數學橫行、在人文領域卻沒有，關鍵原因之一是什麼？

✅ 作者在第五個檢查問題旁補充：能否被明確證實或推翻，是推理模型在數學橫行、在人文領域卻沒有的關鍵原因之一。

Q5. 關於作者的主張，下列哪一種描述最貼近原文的語氣？

✅ 原文寫的是「early results」「in my view」「my guess」，是有依據的看法加上倡議，而不是定論；作者也明確說 AI 不只能做轉錄這類研究助理工作。

🃏 翻牌記憶卡（先想答案，再點開對答）

「尖刺式能力」指什麼？（原文列出的三項）點我翻面

AI 的能力不是樣樣平均，而是在特定項目特別突出：多語推理、進階數學，以及在大量資料或跨學科領域之間自主查找。

原文的五問檢查表點我翻面

1. 專家是否已列出待解問題？2. 資料是否已數位化、拿得到？3. 是否對準 AI 的尖刺式能力？4. 解法是否適合靠專用程式？5. 答案能否被明確證實或推翻？（最重要）

前沿 AI 目前可合理期待幫上忙的三類歷史問題點我翻面

1. 密碼與破譯；2. 追蹤文本在翻譯與改寫之間的流傳；3. 串起分散在小眾子領域、尚未被整合的既有發現。

為什麼「能證實或推翻」最重要？點我翻面

原文說它是推理模型在數學橫行、在人文領域卻沒那麼順的關鍵原因之一。答案有對錯標準，你才分得出模型是真的解對，還是只是說得很像。

作者自己做出的例子是什麼？點我翻面

用 GPT-6 Astra 辨認出牛頓自由翻成拉丁文的一段話，原文出自一本法文煉金術文本，作者稱這個辨認似乎先前沒人做過。他也嘗試處理 John Dee 的密碼魔法書，但原文節錄沒有交代結果。

✅ 離開前自測（全勾＝這課真的學會了）

我能夠說出原文的五個檢查問題，並指出哪一個最重要。我能夠舉出三類適合前沿 AI 的歷史開放問題，並各說一個原文例子。我能夠解釋為什麼「能不能證實或推翻」會決定一個題目適不適合交給 AI。我能夠用體檢器替自己工作裡的一個問題打分數，並說出最需要補的缺口。我能夠分辨原文中「作者已做出的結果」與「作者的主張或猜測」。