第一次見到 AI，總會被它那種「什麼都知道」的姿態唬住。那種快速吐出資訊的流暢感，像是把整座圖書館搬到你面前，還附贈一個隨問隨答的導覽員。只是，久了你會發現，這份「知道」有時候就像個還沒長大的孩子，學會了所有課本上的知識，卻常常在人情世故面前，顯得有些笨拙，甚至，需要不斷被「教」著去「忘記」一些什麼。
這感覺，和我們人類社會化的過程挺像的。小時候，我們可能覺得世界非黑即白，對錯分明。但在長大成人、進入職場後，很快就會明白，很多事情並不是照著課本來的。你得學會看臉色，學會拐彎抹角，學會不在某些場合說「大實話」。這些都不是從書本上學來的，而是從一次次的碰壁、一次次觀察中，慢慢內化。這不就是一種「忘記」嗎？忘記了那些單純的規則，去適應更複雜、更混沌的現實。
現在的 AI，特別是那些想往「通用」方向發展的模型，它們遇到的挑戰也差不多。它們被餵養了天文數字的文本、圖片、程式碼，建構出一個龐大到我們難以想像的知識庫。所以，當你問它關於物理定律、歷史事件、程式錯誤時，它能給出一個邏輯清晰、條理分明的答案。但當你問它：「幫我寫一封讓老闆舒服地接受我辭職的信」或者「怎麼安慰一個失戀的朋友」，它的回答就常常顯得有點太過理性、太過教科書了。它給出的內容可能滴水不漏，格式也完美無瑕，但就是少了那點人味兒，那點微妙的情緒，甚至是那點恰到好處的「留白」。
我們期待 AI 能更像人類，但人類的智慧，從來就不只是知識的堆疊。那是一種「選擇性遺忘」的能力。你知道所有的選項，但會根據情境、對象、目的，去選擇「不說什麼」，或者「用什麼方式說」。這不是能力不足，反而是更高層次的智慧。現在的 AI 訓練，很多時候就像是把所有東西都灌進去，然後再讓它自己去「消化」哪些是重點，哪些是需要被「柔化」的。但這種柔化，至今看來，還是有些機械感。
像是你在使用 Gemini 或者 Claude 寫一些帶有情感色彩的文本時，你會發現，即使你給予了很詳細的風格指導，它們產出的文字還是帶著一種疏離感。它們可以模仿你的語氣，甚至精準使用你提供的詞彙，但那種「情感的流動」卻很難被真正複製。這讓我想起那些剛學會說話的孩子，他們會重複大人說的每一句話，但話語背後的重量，他們還無法理解。
而當 AI 被要求在特定文化語境下進行創作時，問題會更明顯。中文世界裡，許多話語的精髓在於它的弦外之音，在於那種只可意會不可言傳的隱喻。一個說著「我們都是文明人，不說暗話」的 AI，它要怎麼理解「我不是針對你，我是說在座的各位都是垃圾」這句話裡，隱藏的對象、情緒、以及語境？這需要它「忘記」詞語的字面意思，去抓取更深層的文化底蘊。
所以，AI 的學習曲線，不單純是「學到更多」，更多時候，是學習「如何過濾」。如何從浩瀚的資訊中，篩選出在當下語境最有意義、最恰當、最「人味」的部分。這會讓它在某些場合，看起來比我們預期的「笨」一些，因為它可能為了符合「正確」的標準，而放棄了那些帶著棱角的、卻可能更精準的表達。
這也讓我想起，我們在教育孩子時，有時候會跟他們說：「你這樣說會傷到別人。」這句話，其實是在教孩子「忘記」他口中「真實」的感受，而去考慮他人的感受。這本身就是一種社會化的過程。AI 現在也正在經歷這樣的過程，只是它的「社會」是我們的文本世界，它的「導師」是那些持續不斷的指令和訓練數據。
未來，那些真正能打動人的 AI，或許不是記憶力最好的，也不是知識儲備最淵博的，而是那些能夠恰到好處地「忘記」一些東西，能夠在正確的時機，做出最符合「人情」的「取捨」。那時候，它們或許就能寫出，不只讓老闆「舒服」地接受辭職，甚至還能讓老闆「真心祝福」的信了。