論基本邏輯思辯:你發現的可能不是你觀察到的
論基本邏輯思辯:你發現的可能不是你觀察到的
2019.07.15 | 生活

邏輯思辨一直都不是華人的強項,受到中華儒家文化洗禮的台灣人,自然也不例外。壓制一般人民以及讀書人的邏輯思辯能力,對於「設計」一個穩定無異議的社會,並維持教條式的高壓統治,是相當有幫助的。只要人民不去探究事情的真偽,輿論和真理之間就會糾纏不清,自然利於御民。

然而在今天的民主社會中,選民必須要有一定的邏輯思辯能力,才有辦法參與各類政治和社會議題的民主程序。因此,了解一些基本的邏輯常識與謬誤是相當重要的課題。

基礎邏輯觀念

學過一些邏輯的朋友,這段應該可以直接跳過,但你們可能會很驚訝有多少人沒有這些基本的邏輯觀念。

首先,假設A是「小魚理光頭」,而B是「小魚發大財」。

第一種邏輯謬誤,就是許多人常常在質疑A的時候,就假設非A自動成立

打個比方,如果今天我們在探討A是否為真,就是「小魚理光頭」。結果就會有人跳出來說「啊你怎麼知道小魚真的理光頭?人家搞不好是龐克頭也不一定啊。」通常兩方人爭吵不休,常常都是因為一方人以為自己質疑對方的說法,就可以當作相反的說法成立了。

而事實上,當你質疑小魚是否理了光頭的情況下,你頂多是告訴大家你不知道小魚的確切髮型,但是你認為不一定是光頭。

而這部分最難的,就是「接受未知」的心理,很多人是沒有這種心理準備的,因此常常以為只要質疑小魚理光頭的真實性,就是證明小魚不是光頭。

第二種邏輯謬誤,就是在條件式中倒果為因

比如說,我們現在確定了 A→B(A所以B),也就是「因為小魚理光頭,所以小魚發大財」。很多人會很直覺性地說,「啊,要發大財,一定要理光頭啊」,這是種邏輯謬誤。

事實上,A→B在邏輯上使用換質換位律(Contrapositive),得到的是非B→非A,也就是「因為小魚沒有發大財,所以小魚沒有理光頭」。

直覺而言,因為「小魚理光頭,所以小魚發大財」,並不代表小魚沒有其他方式發財。很有可能會有C→B之類的「因為小魚造F1,所以小魚發大財」;也有可能是D→B之類的「因為小魚賣水果,所以小魚發大財」。因此,光是知道小魚發大財,並沒有辦法確認小魚理了光頭。

但是,我們可以確定的是在A→B的情況下,小魚如果沒有發財,那就代表小魚一定沒有理光頭。

辯證謬誤

有時候,我們碰到的謬誤並非純邏輯上的謬誤,而是辯證方式的謬誤。

第一種常見謬誤就是人身攻擊(Ad Hominem)

比如說提出「因為小魚理光頭,所以小魚發大財」說法的人本身是光頭,而你回說「你自己是光頭,你當然說光頭發大財啦!不算數!」

這就是典型的人身攻擊。發言者的背景、資歷,甚至是動機,跟論點成立與否毫無關係。 要反駁一人的論點,應該要從論點的內容著手,而非發言者的背景。

第二種常見謬誤就是訴諸權威(Appeal to Authority)

比如說一位教授提出「因為小魚理光頭,所以小魚發大財」,而你回說「他是教授,所以他說小魚發大財就一定會發大財。」

同樣地,論點本身成立與否,跟發言者的權威性亦無關,並不是「年高望重」的人講的話就一定是對的。

第三種常見謬誤就是「你也一樣」(Tu Quoque)

比如說有人提出「因為小魚造不成F1,所以小魚發不了財」,而你回說「你還不是一樣沒發財,有什麼資格說小魚?」

很明顯,發言者個人的行為不管是否符合言論內容,跟論點是否成立一樣沒有甚麼直接的關係。因此,我們不能夠用攻擊發言者的其他行為來否定一論點。

因果謬誤

除了基本的邏輯謬誤和辯證方式謬誤以外,有時候我們犯的是因果關係上的認知謬誤。

第一種謬誤就是將關聯性當作因果關係

比如說先前提出的「因為小魚理光頭,所以小魚發大財」說法,這真的是因果關係嗎?

如果兩者有前後關係,不見得一定就是因果關係。因為如果兩者之間有某種因果關係,那你如果把小魚抓過來剃成光頭,那小魚接著應該會發大財。但是,這種說法直覺上來說是不可能行得通的,因此,一般而言理光頭和發大財應該只是純粹關聯性,而非因果關係。

在我們社會中其實我們相信很多很莫名其妙的因果關係。

比如說至今還有很多人認為輟學的人比較容易創業成功,或是喝紅酒可以延年益壽。

第二種謬誤算是第一種謬誤的延伸,那就是將共同結果錯認為因果關係的謬誤

打個比方,回到「因為小魚理光頭,所以小魚發大財」,你認為兩者之間的關係是甚麼?

結果,我們發現,還有一個可能的事件,就是「小魚年資高」。

而或許真正的因果關係應該是「因為小魚年資高,所以小魚理光頭」以及「因為小魚年資高,所以小魚發大財」。但是,因為我們沒有去觀察(或在乎)「小魚年資高」,因此純粹觀察到「小魚理光頭」和「小魚發大財」的情況下,因為兩者總是有關聯性,因此被認為有直接因果關係。

而事實上,如果上述的因果關係為真,那若我們控制「年資」,比如說只選擇社會新鮮人作為參考資料,結果就突然發現「理光頭」和「發大財」一點關係也沒有了,這就顯示出我們當初認定的因果關係其實是假的,純粹只是眼睛業障重。

第三種謬誤也一樣是第一種謬誤的延伸:樣本選擇謬誤,而通常是源自於將與共同因子關係錯認為因果關係

一般而言,共同因子之間是不會認為是有因果關係的。

比如說「因為小魚造F1,所以小魚發大財」以及「因為小魚年資高,所以小魚發大財」都是真的因果關係,那假設這些事件之間沒有其他的因果關係,那照理來說「小魚年資高」和「小魚造F1」之間就沒有因果關係。

但是有種很有趣的情況會誤導我們的因果判斷,那就是當我們控制兩因子(「小魚年資高」和「小魚造F1」)的共同結果(「小魚發大財」),反而會讓兩因子呈現關聯性,而被誤認為有因果關係。

比如說,當我們觀察小魚發大財,當小魚真的發大財的時候,「小魚年資高」和「小魚造F1」都會為真。

但是當小魚沒發財的時候,我們能確定至少在某種情況下,「小魚年資高」和「小魚造F1」都為偽。因此,在兩種情況下,我們看到「小魚年資高」和「小魚造F1」會同時發生或從缺,因此會誤會兩者之間有因果關係。

但這只是因為我們把「小魚發大財」當作我們的樣本採集前提。

而現實生活中,這種情況常常出現嗎?

答案是經常出現。

打個比方,比如說「因為你英文好,所以上哈佛」和「因為你數學好,所以上哈佛」都成立,照理來說英文和數學能力之間是沒有直接的因果關係的。

但是,如果今天你的統計資料裡面只有哈佛學生,你會發現大家英文好的同時數學也很好,因此斷定英文能力和數學能力之間有某種因果關係。

這就是典型的 「樣本選擇誤差」(Sample Selection Bias),尤其是你的樣本選擇門檻,本身就受實驗觀察的變數影響,那你的實驗結果會觀察到不存在的假因果關係。

而這種莫名其妙的觀念充斥在我們的社會中,比如說至今許多人仍認為海外留學生的能力比較強。而事實上,你觀察到本來能去國外留學的人其實是家境比較好的人,因此你會覺得「去國外留學」跟「能力好」有因果關係。

事實上,在國外念書很多人的家境不好、能力也很差,只是你的樣本中完全中完全忽略了這些資本,所以觀察不到真正的因果關係。

這是不是很有趣呢?

責任編輯:陳建鈞

《數位時代》長期徵稿,針對時事科技議題,需要您的獨特觀點,歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw,文長至少800字,請附上個人100字內簡介,文章若採用將經編輯潤飾,如需改標會與您討論。

(觀點文章呈現多元意見,不代表《數位時代》的立場。)

往下滑看下一篇文章
OpenAI 重磅講者親臨高雄|掌握前瞻 AI 與產業轉型關鍵趨勢
OpenAI 重磅講者親臨高雄|掌握前瞻 AI 與產業轉型關鍵趨勢

隨著 AI 工具逐漸普及,真正拉開差距的,已不只是技術或算力的強弱,是企業能否整理資料、重新設計流程,並把 AI 融合既有工作方式,持續轉化為營運價值。

Amazon Web Services(AWS)將於10月23日於高雄舉辦「2026 亞馬遜港都 AI 創新日」邀請 OpenAI 與製造、金融、交通、零售及運動育樂等領域的實務代表,從技術趨勢、資料治理、流程設計與組織轉型等面向,拆解 AI 落地前必須處理的現實問題,協助企業重新檢視自身的導入條件與下一步布局。

企業下一步,不只是再導入一套 AI 工具,而是讓 AI 進入日常營運

模型可以採購,系統可以建置,但資料是否整理到位、流程能否重新設計、組織是否清楚由誰負責,才是決定技術能否持續發揮價值的關鍵。

高雄近年推動數位轉型,同樣面對這項核心課題。亞灣周邊聚集扣件、石化、鋼鐵等傳統產業,場域複雜、既有系統眾多,正因如此,更能檢驗一套 AI 導入方法是否具備複製與擴大的條件。城市發展也從建置算力基礎,進一步走向讓技術真正進入產業與治理現場。

AWS 連續六年深耕高雄,今年以「雲騰智慧大南方 齊創 AI 好未來」為主軸,將討論重心從雲端與算力基礎,推進到應用全面升級,協助城市從「有 AI」走向「AI 有感」。

政府治理是否更即時、產業流程是否真正改變、市民與使用者能否感受到服務提升,才是「AI 有感」的具體檢驗。延續「高雄試點、全臺普及、雲端出海國際」的發展路徑,10月 23 日登場的亞馬遜港都 AI 創新日要談的不只是企業「有沒有 AI」,而是導入之後企業的真實改變。

2025 亞馬遜港都 AI 創新日現場,資料照
圖/ AWS

OpenAI 重磅講者親臨高雄,從技術前沿看見企業的關鍵課題

今年活動特別邀請 OpenAI 東南亞暨台灣合作夥伴總監 Mark Jeffrey,以「前瞻 AI 如何助力產業領袖開創新局」為題,分享在 AI 技術快速演進之下,企業應如何重新思考未來布局。

面對 AI 能力邊界持續擴張,哪些應用已具備規模化條件?哪些仍需要更完整的資料、治理與組織準備?這是正在規畫下一階段 AI 投資的企業必須先回答的關鍵課題。

上午議程將從資料、組織與金融三個面向,拆解 AI 落地前必須處理的現實問題。「數據為本,AI 啟航」先回到資料基礎:外部模型跑得再快,若企業自身的欄位定義、存取權限與資料品質尚未整理到位,技術仍難以轉化為可靠判斷。

「打造 AI-Ready 組織的關鍵布局」論壇則聚焦組織當責。AI 專案通常橫跨資訊、營運與管理部門,真正困難的不只是把系統建起來,而是由誰推動流程改造、由誰認列成果,以及當 AI 產出的判斷出現問題時,責任最後應由誰承擔。公部門、製造業與雲端服務業者如何從不同角色處理這些問題,對其他組織同樣具有參考價值。

金融創新論壇將討論 AI、虛擬資產與企業轉型。金融場域對資料安全、合規、風控與可追溯性的高度要求,也提醒企業:效率不能取代治理,AI 更不能成為責任模糊的理由。能否在高監管、高風險環境中建立清楚邊界,將直接影響 AI 應用能不能被長期採用。

2025 年活動論壇現場,資料照
圖/ AWS

從六種產業場景,看 AI 如何走進真實流程

真正具備參考價值的 AI 案例,不只要說明「做了什麼」,還要回答幾個更實際的問題:解決哪一段流程、使用哪些資料、在哪個節點交給 AI、誰負責最後判斷,又如何確認投入確實產生價值。

下午議程規劃橫跨智慧支付、製造、媒體科技、智慧交通、零售製造與運動育樂六種產業場景。每個場景面對的資料條件、即時要求與風險門檻都不相同。

產業場景 議程規劃與關鍵課題
智慧支付 藍新金流運用 AWS AI 自建智能 KYC 與交易監控;處理身份辨識、交易監控與風險判斷
製造 以語意層串接資料孤島,讓 AI Agent 正確理解分散在不同系統的資料
媒體科技 會說台語的 AI Agent:從醫院櫃台到第一線的落地實戰
零售製造 零售製造轉型;把技術接進實際營運與使用者體驗

這些差異進一步說明,AI 沒有一套可以直接複製到所有產業的標準答案。企業真正需要的,不只是更多案例,而是看見不同產業如何依資料條件、即時要求與風險門檻,把 AI 融入實際營運與使用者體驗。

現場同步打造「產業賦能走廊」,邀集超過 15 組雲端生態系夥伴設置展示攤位,聚焦智慧製造、金融科技與城市治理的真實痛點與解法。無論企業目前卡在技術、資料、治理,還是組織協作,不同問題點,都能找到對應的解方。

10 月 23 日,從智慧製造的產線優化、金融科技的風控升級,到運動產業的會員體驗創新,看 AI 如何從概念走進產業現場,成為百工百業轉型升級的實際動能。

10/23高雄展覽館盛大舉行
圖/ AWS

「2026 亞馬遜港都 AI 創新日」,掌握 AI 賦能百工百業、領航產業升級的實務趨勢
立即報名

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂工業AI
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓