把身家性命交給 AI 說書人：康定採菌事件背後的視覺辨識極限

近日，一對前往四川康定市甲根壩鎮旅遊的情侶，在跟隨當地人上山採集野生菌時，為了確認安全性，全程使用手機裡的 AI 軟體進行圖像辨識。他們把 AI 判定為可食用的菌子裝滿了兩大袋，總重超過十斤。然而，就在他們準備下山將戰利品送進餐館之際，一名當地的「小孩哥」路過，僅憑肉眼檢查便把他們袋裡的菇菇一把把往外扔。甚至對於一朵被 AI 認證為「可食用紅菇」的樣本，這位當地孩童直言：「這個能喫啊，喫了晚上就上西天。」

經過在地知識的無情篩選，十多斤的鮮美戰利品最終只剩兩斤。這起充滿戲劇衝突的真實事件，揭示了現代人對科技工具的過度依賴，同時也點出了一項早就存在卻常被忽視的技術限制。

一句話解釋：為什麼 AI 鑑菌會出人命

目前的 AI 圖像辨識模型，本質上是透過比對形狀、顏色和紋理來進行分類。它無法嗅聞土壤的氣味，無法觸摸菌傘的質地，更無法化驗生物鹼。這導致它在面對外觀高度相似的有毒與無毒物種時，極容易給出充滿自信卻足以致命的錯誤答案。

當我們打開手機詢問 AI 某朵蘑菇能否食用時，我們期待它像一位經驗豐富的真菌學家。然而，它其實更像一個博學但從未真正去過森林的說書人。

AI 是怎麼辨識物種的：形狀比對與光環效應

大型語言模型與圖像辨識軟體之所以能夠回答問題，是因為它們閱讀並記憶了海量的網路資料。當使用者的鏡頭對準一朵菇時，AI 會擷取畫面中的特徵點。這包含了菌蓋的弧度、顏色的分布、菌柄的粗細，以及菌褶的間距。系統接著在資料庫中尋找與這些特徵最相符的圖片，然後根據那張圖片的標籤，回報這是一朵「可食用紅菇」。

這個過程看似科學，卻隱藏著巨大的盲區。資料庫裡的照片通常是在最完美的採光、最清晰的角度下拍攝的。在真實的野外環境中，光線穿過樹葉產生偏色，雨後的菌傘佈滿泥濘，未成熟的菇類甚至還沒長出用於分類的菌環或菌託。

此外，圖像辨識模型經常會產生光環效應。當它根據初步特徵判斷這可能是一朵紅菇時，它會傾向於生成一段合理的描述來支持這個判斷。它會告訴你這朵菇富含胺基酸，適合煮湯。它不會告訴你的是，在雲南和四川的深山裡，導致嚴重中毒事件的元兇「毒紅菇」，與無毒的「正紅菇」在外觀上只有極其微小的色澤差異。AI 為了給出一個完整且看似專業的答案，會掩蓋掉它其實無法分辨這種微小差異的事實。

在地知識的價值：被演算法忽略的環境變數

那位把情侶倆十多斤菇扔到只剩兩斤的當地孩童，代表了另一種知識體系。在 AI 出現之前的千百年裡，人類辨識野生菌依賴的是世代相傳的環境觀察。

人類專家在判斷一朵菇是否有毒時，看的不只是菇的本身。他們會看這朵菇生長在什麼樣的樹根旁邊，因為許多真菌與特定樹種存在共生關係。他們會觀察生長環境的土壤濕度與海拔高度。他們甚至會透過觸摸來感受菌肉的脆度，或是觀察菇體受傷後切口氧化變色的速度。

這些觸覺、嗅覺以及對生態環境的整體感知，正是目前的科技工具完全缺失的維度。雖然科技巨頭正致力於將這類辨識能力推廣為日常實用工具，並試圖將其與 現代人重新校準對數位世界認知 的過程結合，但在生態場域中，當地孩童的大腦裡儲存的是一套包含了季節、微氣候與物種關聯的立體資料庫。AI 看到的是一張平面的像素圖，而當地人看到的是整座森林的生態系。

對你的影響：停止把機器學習當作萬能神諭

這起康定採菌事件，其實是現代數位生活中資訊不對稱的一個極端案例。這項科技之所以受到追捧，是因為它能夠迅速給出一個看起來很專業的答案，從而消除我們面對未知事物時的焦慮感。我們太習慣於向搜尋引擎或智慧助手索取一個明確的結論，以至於我們忘記了檢視這個結論背後的證據鏈。

當你在城市裡詢問 AI 某家餐廳的營業時間，它給出錯誤答案的代價不過是多走幾步路。但當人們把這種盲目的信任轉移到野外求生、醫療症狀或是 高風險的技術決策 上時，機率就變成了賭命。

這對情侶的遭遇告訴我們，面對機器學習模型生成的結果，使用者必須建立起防禦性的思考機制。AI 圖像辨識可以作為認識物種的起點，幫助你初步了解可能觸及的生物分類，但它絕對不能作為最終的行動依據。特別是當這項行動涉及人體攝入或是人身安全時，任何 AI 模型生成的判定，都必須經過現實世界中具備實體經驗的專業人士來驗證。

科技工具的價值，在於協助我們處理龐雜的資料，而不是剝奪我們對真實世界保持敬畏與謹慎的本能。下次當你準備把手機鏡頭對準一朵未知的蘑菇，並打算根據螢幕上的文字決定是否將它喫下肚時，請記得那位康定小孩哥的警告。演算法或許懂像素，但它不懂叢林。