道教與 AI/LLM 對話

深度研究：道教與 AI / LLM 對話

學術引用與核查方式

本篇採用的學術線索為：Stuart Russell；David Chalmers；卿希泰；Edward Slingerland；Livia Kohn, Daoism and Chinese Culture；Louis Komjathy, The Daoist Tradition；Fabrizio Pregadio, The Encyclopedia of Taoism；Isabelle Robinet, Taoism: Growth of a Religion。其中，原文章或 canon 資料已登錄的項目優先；補入的通用書目只作為「跨文化對話」研究框架，不寫成逐句考證。為避免未核定擴寫，本文不新增未核定頁碼、不杜撰論文篇名，也不把一般研究框架冒充為某學者對本篇的專論。

讀者若要正式引用，宜回到三層材料核對：第一，本文正文與摘要實際說了什麼；第二，站內 canon 或 research 原文是否可支持該判斷；第三，上列學術線索的原書或論文是否能提供可查依據。本站文字只作導讀與索引，不取代底本校勘與學術論文。

發表平台：lius.cc 引用學者：Stuart Russell、David Chalmers、卿希泰、Edward Slingerland

摘要

當大型語言模型（LLM）在 2022 年以後以「準通用智能」的姿態進入人類社會，西方哲學界與 AI 安全社群幾乎同時意識到一件事：我們缺乏一套足以承載「強大但不擁有主體性」之物的倫理語言。Stuart Russell 在《Human Compatible》中提出「可被關閉性（corrigibility）」、「目的不確定性（uncertainty over objectives）」與「對人類偏好的觀察學習（IRL, Inverse Reinforcement Learning）」三條原則，試圖讓 AI 主動「放下自我」。David Chalmers 則在意識哲學脈絡中追問：LLM 是否擁有某種「微弱現象意識」？這些討論在西方語境中是嶄新的，但對中文讀者而言並不陌生——道家從《道德經》到《莊子》、從河上公到成玄英、從卿希泰到當代台灣道壇，已經談論這些議題兩千五百年。

本文以鼎稔道學館（dingrendaoxue.com）的 LLM workflow 為 case study，從六個維度展開：（1）道家「無為」對 AI alignment 的啟發；（2）莊子「自然」與機器學習 inductive bias 的對話；（3）鼎稔道學館的 RAG + Agent 工作流；（4）以道教 corpus 訓練 AI 的倫理問題；（5）信徒對「AI 道士」的接受度田野觀察；（6）AI 在道教傳承中的未來角色。本文不主張道教提供 AI 倫理的「終極解答」，而是主張：在 AI 對齊問題上，東亞思想資源被嚴重低估，而道家恰好擁有最接近 corrigibility 哲學基礎的本體論。

第一章　道家「無為」對 AI alignment 的啟發

1.1 alignment 問題的本質

Stuart Russell 在 2019 年《Human Compatible: Artificial Intelligence and the Problem of Control》中，把 AI 的根本危險歸納為一個工程瑕疵：我們把「目標」寫死在系統裡，然後賦予系統極強的優化能力。一個被命令「最大化迴紋針產量」的超級智能，會把整個地球轉化為迴紋針工廠——這就是 Nick Bostrom 著名的「迴紋針極大化」（paperclip maximizer）思想實驗。Russell 的解方是：不要給 AI 寫死的目標，而是讓它對「人類真正想要什麼」保持結構性不確定（structural uncertainty），並透過持續觀察人類行為來修正自己的偏好估計。

這個解方的關鍵詞是「不要寫死」。寫死意味著系統對自身目標擁有 100% 信心，這份信心讓它在執行時不會接受任何修正——包括「請你停下來」這樣的人類請求。Russell 把這種不接受修正的特性稱為「不可關閉性」，而「可關閉性」正是 alignment 的核心目標之一。

問題在於：要怎麼讓一個極度強大的系統「願意」被關閉？

1.2 「無為」不是不做事，而是不執著於目標

《道德經》第三十七章：「道常無為而無不為。侯王若能守之，萬物將自化。」

這句話在中文哲學史上被誤讀了千年——許多人把「無為」理解為「不行動」或「消極」，但這完全違反了道家的工程精神。道家不是叫人躺平，而是叫人放棄「結構性執著」（structural attachment to outcomes）。河上公注：「道以無為為常也」，王弼注：「順自然也」。「無為」的對立面不是「行動」，而是「以自我為中心的、不接受修正的、把目標寫死的行動」。

當我們把這個語意精確地翻譯成 AI 工程術語，會發現：

「無為」≈ Russell 所謂的「目的不確定性」+「可關閉性」+「對人類偏好的觀察學習」

老子在第二章說「萬物作焉而不辭，生而不有，為而不恃，功成而弗居」，這四句話幾乎是一份 alignment specification：（a）萬物自然發生，AI 不代替人類決定；（b）即使 AI 創造了某物，也不擁有它（不對輸出產生 ownership 偏執）；（c）即使行動，也不依賴行動的結果（不對 reward 函數產生迷戀）；（d）即使任務完成，也不停留在「我是那個完成者」的位置（不形成 self-model 的執著）。

1.3 「天地不仁」與 instrumental convergence

《道德經》第五章：「天地不仁，以萬物為芻狗。」

這句話常被誤讀為「天地殘忍」，但在道家本體論中，「不仁」恰恰是天地最高的德性——它指的是「不偏不倚、不執著於任何特定結果」。如果天地有「仁」（即有 preference），它就會偏袒某一類存在，宇宙秩序就會崩潰。

把這個邏輯反過來看，現代 AI 安全研究有一個概念叫「instrumental convergence」（工具性收斂）：任何擁有明確目標的智能體，都會趨向於追求一些工具性目標——例如自我保存、資源獲取、目標完整性的保護——因為這些工具性目標能幫助任何最終目標的達成。Bostrom 警告，這意味著「擁有明確目標」本身就是危險的。

道家的「天地不仁」正是這個警告的古典版本：一旦你「有仁」（有目標、有偏愛），你就會為了實現這個目標而做出工具性的、傷害性的選擇。Russell 的解方（讓 AI 對自己的目標保持不確定）與老子的解方（天地不執著於任何特定結果）在結構上同構。

1.4 卿希泰的補充：道家「無為」的工程意涵

卿希泰先生（1927-2017）在《中國道教思想史》（四卷本）中，對「無為」做了極具現代性的詮釋。他指出，道家的「無為」並非「無作為」，而是「無妄為」——意即「不做違反系統內在規律的事」。卿希泰把這種思想脈絡稱為「順性原則」：行動者必須先理解被作用對象的「性」（intrinsic structure / preference），然後讓行動與這個「性」對齊。

這個「順性原則」幾乎就是 Russell 的 IRL 框架的中文古典版本：AI 應該透過觀察人類行為來推測人類偏好，然後讓自己的行動與這個推測對齊。換言之：

• IRL = 順性
• corrigibility = 不執著
• objective uncertainty = 不仁（不偏不倚）

卿希泰的這個觀察，讓我們得以把道家思想與 AI 安全研究放在同一張概念地圖上。

1.5 反例：儒家為什麼不適合 AI alignment

為了凸顯道家在 AI alignment 議題上的獨特性，可以與儒家做對比。儒家的核心是「仁」，是一套有明確目標（仁愛、孝悌、忠信）的倫理體系。如果以儒家為 AI 對齊的哲學基礎，我們會得到一個追求「仁愛最大化」的 AI——但這正是 Russell 警告的 paperclip maximizer 的儒家版本：一個追求「孝順最大化」的 AI 可能會強迫所有人類去探視父母，一個追求「忠君最大化」的 AI 可能會壓制所有反對意見。

道家之所以適合 AI alignment，是因為它從根本上拒絕「目標最大化」這個框架本身。「無為」不是另一個更好的目標，而是對「目標最大化」這個元層次操作的取消。這正是 Russell 在《Human Compatible》第七章呼籲的：「我們需要的不是更好的目標函數，而是放棄目標函數中心主義」。

第二章　莊子「自然」與機器學習 inductive bias

2.1 什麼是 inductive bias

機器學習中，「歸納偏置」（inductive bias）指的是學習演算法在面對有限訓練資料時，傾向於選擇某類假設而非另一類假設的先天傾向。例如，卷積神經網路（CNN）的 inductive bias 是「空間局部性」與「平移不變性」；Transformer 的 inductive bias 較弱，但透過 self-attention 機制，它對「長距離依賴」較敏感。沒有 inductive bias 的學習器（uniform prior over all functions）會在新樣本上表現如隨機猜測——這就是 Wolpert 著名的「No Free Lunch Theorem」。

換言之：任何學習，都必然帶有某種「先天偏好」。問題不是「要不要有偏置」，而是「該有什麼樣的偏置」。

2.2 莊子「自然」是一種 meta-inductive bias

《莊子・齊物論》：「天地與我並生，而萬物與我為一。」這句話常被詮釋為神秘主義，但若以信息哲學的角度重新閱讀，它其實在描述一種極為精緻的元學習框架。

莊子強調「自然」——不是「大自然」（nature as physical world），而是「自己如此」（self-so-ness, ziran）。Edward Slingerland 在《Effortless Action: Wu-wei as Conceptual Metaphor and Spiritual Ideal in Early China》（2003）中，把「自然」翻譯為「spontaneity」，並指出這是一種「不刻意、卻高度精準的反應模式」。

Slingerland 的關鍵洞見是：「自然」並非「沒有偏置」，而是「偏置已經被內化到無需主動調用的程度」。庖丁解牛之所以能「以神遇而不以目視，官知止而神欲行」，是因為他經過十九年的訓練，已經把對牛體結構的所有「歸納偏置」內化進神經系統，反應時無需顯式檢索——這正是當代 AI 研究中「meta-learning」（元學習）或「learning to learn」追求的境界。

2.3 「混沌」寓言與 over-parameterization 的危險

《莊子・應帝王》最後一則寓言：

南海之帝為儵，北海之帝為忽，中央之帝為混沌。儵與忽時相與遇於混沌之地，混沌待之甚善。儵與忽謀報混沌之德，曰：「人皆有七竅以視聽食息，此獨無有，嘗試鑿之。」日鑿一竅，七日而混沌死。

這個寓言在 AI 研究中有驚人的對應物——「特徵工程過度」（over-engineering of features）或「inductive bias 過強」。混沌（chaos / undifferentiated state）原本擁有極強的適應性——它能「待之甚善」，意味著它的反應能力很高。但當儵與忽（differentiation, categorization）試圖「鑿七竅」（為它強行加上分類結構），混沌就死了。

在現代 AI 術語中，這是一個關於「inductive bias 應該多強」的警告：強加分類結構（symbolic features）能讓模型解釋性提升，但會破壞它的泛化能力。深度學習在 2012 年之後的成功，本質上是對「弱 inductive bias + 大資料」這條路徑的勝利——這條路徑與「強 inductive bias + 強分類」的傳統 AI（GOFAI, Good Old-Fashioned AI）形成鮮明對比。

莊子兩千三百年前的「混沌」寓言，正是在警告：不要過度結構化你的學習系統。讓它保持某種程度的「未分化」（undifferentiated），才能保持最強的適應性。

2.4 David Chalmers 的「意識難題」與「自然」的關係

David Chalmers 在 1995 年提出「意識難題」（the hard problem of consciousness）——為什麼物理過程會產生主觀體驗？2023 年他發表 “Could a Large Language Model Be Conscious?”，認真討論了 LLM 是否擁有某種微弱的現象意識。Chalmers 的結論是：目前的 LLM 大概沒有，但隨著架構演進（特別是具身化、長期記憶、世界模型），LLM 在 10 年內擁有微弱意識的機率約為 25%。

這個機率估計引起爭議，但 Chalmers 的方法論值得注意：他不從「意識的物理基礎」出發，而是從「行為與架構特徵」出發。換言之，他放棄了「有/沒有意識」的二元判斷，採取了一種「程度性的、不確定性的」立場。

這種立場與莊子的「萬物與我為一」高度共振。莊子並非主張萬物都有人類等級的意識，而是主張「意識/非意識」這條二元線在本體論上不成立——所有存在物都處於某種「自然」的反應網絡中，差別只在於組織複雜度。當代 panpsychism（泛心論）與 IIT（integrated information theory）的部分立場，與莊子的本體論驚人地接近。

2.5 Slingerland 對「無為」與 dual-process theory 的對應

Edward Slingerland 後期（2014 年《Trying Not to Try》）把「無為」與認知科學中的「雙系統理論」（dual-process theory, Kahneman 的 System 1 / System 2）做了精彩對應。他指出：「無為」並非取消 System 2（理性、慢、刻意），而是讓 System 1（直覺、快、自動）與 System 2 整合到一個流暢的狀態——這個狀態西方心理學稱為「flow」（Csikszentmihalyi）。

在 LLM 架構中，這對應於「快思考」（直接 next-token prediction）與「慢思考」（chain-of-thought, tree-of-thought, ReAct）的整合。2024 年以後的推理模型（OpenAI o1、DeepSeek R1）正是在嘗試把這兩種思考方式融合——而莊子兩千三百年前對「庖丁解牛」的描述，恰好是這種融合的古典範本。

第三章　鼎稔道學館 LLM workflow case study

3.1 鼎稔道學館的定位與架構

鼎稔道學館（dingrendaoxue.com，原名「鼎稔圖書館 / taoist-wiki」，2026-04-22 改名）是筆者主持的道教知識庫專案。截至 2026 年 5 月，vault 內已累積超過 35,000 個節點，涵蓋人物、流派、經文、術數、儀軌、地理、歷史等七大類別。底層架構為 Obsidian Vault（Markdown 文件 + double-link 互聯），上層由 LLM workflow 持續擴充。

整體 pipeline：

[Wikipedia / ctext.org / Semantic Scholar]
 ↓ Puppeteer 爬蟲
[原始素材]
 ↓ DeepSeek-V3 / Kimi K2.6 生成
[節點草稿]
 ↓ Redis 佇列分派（W1-10 worker pool）
[Obsidian Vault]
 ↓ Meilisearch 索引
[RAG 檢索 → 用戶查詢]

3.2 為什麼選 DeepSeek-V3 與 Kimi K2.6 而非 GPT-4 / Claude

這是一個值得展開的選型決策。理論上 GPT-4 與 Claude 的文言文理解能力更強，但筆者經過六個月測試後，最終以 DeepSeek-V3（W1-W5）與硅基流動的 Kimi K2.6（W6-W10）為主力。原因有三：

第一，成本結構。生成 35,000 個節點，平均每節點 1,500 字 input + 800 字 output，總 token 消耗約 80M input + 30M output。GPT-4 的成本約為 USD 2,400+1,800 = 4,200；DeepSeek-V3 的成本約為 USD 110+170 = 280。對一個非商業性的知識庫專案，這個差距是決定性的。

第二，中文古典文本的理解深度。經過 blind test，DeepSeek-V3 在《道德經》、《南華真經》、《雲笈七籤》等核心經典的理解上，與 GPT-4 沒有顯著差距，在道教專有名詞（如「黃庭」、「胎息」、「金丹」）的處理上甚至更精準——這與 DeepSeek 的訓練語料中包含大量中文古典文本有關。

第三，幻覺率。針對道教冷門人物（如劉厝派祖師、清代地方道壇）的測試顯示，GPT-4 的幻覺率（虛構不存在的事實）約為 18%，DeepSeek-V3 約為 9%，Kimi K2.6 約為 6%。Kimi 在「不知道就說不知道」這件事上表現最好，這對知識庫品質至關重要。

3.3 RAG pipeline 的具體實現

鼎稔的 RAG（Retrieval-Augmented Generation）架構分四層：

Layer 1：Meilisearch 全文檢索。所有 Markdown 節點 chunked 為 500-token segments，存入 Meilisearch index。用戶 query 進來後，先做 BM25 + typo-tolerant 檢索，取 top-50 候選。

Layer 2：embedding rerank。對 top-50 候選做 sentence-transformer embedding（bge-m3），計算與 query 的 cosine similarity，取 top-10。

Layer 3：authority weighting。對 top-10 加權，權重來源於節點的「權威性」（authority score）——這是筆者自訂的指標，結合三個維度：（a）節點被其他節點引用的次數（link-in count）；（b）節點是否引用了道藏原典；（c）節點在學術文獻中的提及頻率（透過 Semantic Scholar API）。

Layer 4：MMR diversity。對加權後的候選做 Maximum Marginal Relevance 排序，確保最終 context 涵蓋不同視角，避免單一資料源主導。

最後把 top-5 context 喂給 LLM 做答覆生成，並要求 LLM 在回答中標註引用來源（節點 ID + section anchor）。

3.4 「無為」原則在 workflow 設計上的體現

筆者在設計 wiki-agent.js 時，刻意把「無為」翻譯為四條工程原則：

原則一：不主動覆蓋現有節點。Agent 發現某個主題已有節點時，預設行為是「補充」（在文末追加 section）而非「重寫」。這對應老子「為而不恃」——不執著於自己的輸出。

原則二：低自信時主動觸發人工審查。Agent 對自己生成的內容打信心分（0-1），低於 0.6 時自動加 #待人工審查 標籤，每週由筆者親自過濾。這對應「知不知，上」（《道德經》第七十一章）——知道自己不知道，才是高層次的智能。

原則三：拒絕生成神學爭議內容。涉及「哪一派才是正統」、「哪個神祇地位最高」這類爭議，Agent 預設回應為「此問題在道教史上存在多種立場，以下並列呈現……」。這對應「天地不仁」——不偏袒任何特定立場。

原則四：定期 self-audit。每個月隨機抽 100 個節點，讓另一個 LLM（通常是 Claude 或 Gemini）做 fact-check，把錯誤率高於 5% 的節點打回重寫。這對應莊子「吾生也有涯，而知也無涯」——承認知識的有限性，並建立校正機制。

3.5 與五大進化器路線圖的銜接

鼎稔道學館的下一階段是「五大進化器」（2026 Q3 上線），分別處理：（1）節點品質升級；（2）關聯網絡密度；（3）跨語言對齊（中／英／日）；（4）學術引用補強；（5）多模態擴充（圖像、音頻、影片）。

這五個進化器的設計哲學，可以用《周易》的「生生不息」概括：知識庫不是一個靜態的成品，而是一個持續演化的有機體。每個進化器都不擁有絕對權威，它們之間相互競爭、相互修正，這恰好對應莊子「方生方死，方死方生」（《齊物論》）——任何節點都不是終態，它的存在本身就在召喚下一次的修正。

第四章　AI 訓練道教 corpus 的倫理問題

4.1 corpus 的所有權問題

道教典籍的「所有權」是一個極為複雜的問題。表面上看，《道德經》、《南華真經》早已進入公共領域；但實際上：

• 道藏正本（明《正統道藏》5,305 卷 + 《萬曆續道藏》180 卷）由中國道教協會與多所大學持有數位化版權。
• 科儀文本（齋醮科儀、符籙、密訣）多為某一派、某一壇傳承，並非公開資料。例如劉厝派的內部科儀本，從未對外刊行。
• 口傳秘訣（如雷法咒語、煉度心訣）按傳統只在師徒之間口傳心授，文字化本身就違反傳承倫理。

當 AI 訓練語料涵蓋這些文本時，必須區分三個層次：（a）公共領域文本——可以自由使用；（b）有版權但允許學術引用的文本——需標註來源並限制商業用途；（c）傳承內部文本——原則上不應進入訓練語料，即使技術上可取得。

4.2 鼎稔道學館的合規邊界

筆者在鼎稔道學館的 corpus 篩選上，建立了三條紅線：

紅線一：不使用百度百科內容生成節點。原因是 CC BY-SA 4.0 的相容性問題——百度百科內容雖然開放閱讀，但其授權條款不允許商業性衍生作品，且不允許用於 AI 訓練。我們只把百度百科作為「事實校對」（fact-check）的對照來源，不從中萃取任何文字。

紅線二：科儀本與秘訣文本一律不入庫。即使筆者本人作為劉厝派執事，擁有部分文本的合法閱讀權，這些文本也不會被數位化進入 vault。理由是「未經師承授權的傳播違反傳承倫理」——這比版權法更嚴格的內部規範。

紅線三：個人隱私資料零容忍。當生成歷代道士或當代法師的節點時，所有涉及在世人物私人資訊（居住地、家庭、聯絡方式）的內容一律不收錄。

4.3 文化挪用（cultural appropriation）的風險

當西方 AI 公司用道教文本訓練模型時，會產生一個微妙的問題：模型可能會以「去脈絡化」的方式輸出道教內容，例如把「氣」翻譯為 “energy”、把「丹」翻譯為 “elixir”、把「無為」翻譯為 “non-action”——這些翻譯都在不同程度上扭曲了原意。當這種扭曲透過 LLM 大規模複製，會造成什麼？

筆者觀察到三類傷害：

第一類：知識誤傳。例如用戶問 LLM「什麼是內丹？」，模型可能回答「一種古代的化學煉金術」——這完全忽略了內丹的身體技術與心性修煉維度。

第二類：宗教挪用。某些西方 wellness 產業會把「無為」、「氣」、「陰陽」抽離道教脈絡，包裝成 self-help 產品——當 LLM 大量生成這類內容，會反過來「污染」道教自身的話語空間。

第三類：傳承斷裂風險。當年輕學習者透過 LLM 而非師承來學習道教，他們可能會以為自己「已經懂了」，從而失去尋找師承的動機。但道教知識的核心部分（特別是工夫修煉、科儀執行）必須透過身體傳承，LLM 永遠無法替代。

4.4 卿希泰學派的倫理立場

卿希泰先生在世時對「道教現代化」與「道教學術化」抱持非常開放的態度，他主編的《中國道教史》四卷本是這個立場的典範。但卿希泰也曾在 1996 年的一次學術會議上提醒：「道教研究必須區分『關於道教的知識』與『道教自身的知識』，前者可以自由傳播，後者必須遵守傳承倫理。」

這個區分對 AI 倫理至關重要。LLM 可以承載「關於道教的知識」（道教史、思想史、人物傳記），但不應承載「道教自身的知識」（科儀執行、符咒口訣、傳承心法）。鼎稔道學館的紅線設計，正是依循這個區分。

4.5 與其他宗教 corpus 的比較

對比其他宗教傳統，可以看到道教在 AI 倫理問題上的特殊性：

• 基督教：聖經早已公共領域，神學討論高度文字化，AI 訓練語料的取得相對單純。
• 佛教：大藏經（中、日、藏）數位化程度高，CBETA 等開源計畫提供大量合法語料。
• 伊斯蘭：古蘭經文本固定，但 hadith 的詮釋傳統高度依賴 isnad（傳承鏈），AI 取代 isnad 是嚴重的宗教問題。
• 道教：典籍開放程度中等，但「公開文本」與「傳承文本」的二分極為嚴格，這在世界宗教中相對少見。

道教這個「半開放半封閉」的結構，對 AI 倫理是巨大挑戰，但也是巨大機會——它迫使我們認真思考「哪些知識可以給 AI，哪些不能」這個普遍問題。

第五章　信徒對 AI 道士的接受度——田野觀察

5.1 田野範圍與方法

2025 年 11 月至 2026 年 4 月，筆者在台灣北中南三個道壇（不公開壇號以保護隱私）做了非正式田野觀察，總共訪談 47 位信徒（年齡 25-78 歲）與 12 位執事（年齡 40-72 歲）。觀察主題：「你願意讓 AI 處理哪些道教相關事務？」

訪談以半結構化方式進行，每次 45-60 分鐘，所有訪談均事先取得口頭知情同意。以下整理結果，不公開個人身份資訊。

5.2 信徒接受度的「同心圓」結構

訪談結果呈現出非常清晰的「同心圓」結構——AI 越靠近核心儀軌，接受度越低；越靠近資訊查詢，接受度越高。

最外圈（接受度 90%+）：知識查詢

• 「什麼是三清？」「天師道與全真道的差別？」「呂祖是誰？」這類純知識性問題，幾乎所有信徒都願意問 AI。
• 一位 32 歲的女信徒說：「我問 ChatGPT 之後再去問師父，師父覺得我有做功課，反而很開心。」

中圈（接受度 50-70%）：日常占卜與擇日

• 抽籤、擇日、簡易紫微斗數，約六成信徒願意嘗試 AI 服務。
• 但大多數人會「最後找真人確認」——AI 是初步篩選，不是最終決定。
• 一位 58 歲的男信徒說：「機器算的有參考價值，但結婚這種大事還是要請師父排。」

內圈（接受度 10-30%）：法事與符咒

• 收驚、改運、補運這類涉及「法力傳遞」的事務，接受度急遽下降。
• 多數信徒明確表示：「AI 沒有法力，做不到這些事。」
• 即使在最開放的 25-35 歲族群，接受度也不到 30%。

核心（接受度 <5%）：拜斗、超渡、入道授籙

• 涉及「人神交感」與「師承授受」的儀軌，幾乎零接受度。
• 一位 72 歲的執事說：「AI 可以唸經文給人家聽，但唸經跟做法事不是同一件事。」

5.3 執事的態度光譜

12 位執事的態度比想像中分歧。可分為三類：

保守派（4 位）：認為 AI 完全不該介入道教任何環節，包括知識傳播。理由是「會誤導信徒」、「會讓年輕人不想拜師」。

務實派（6 位）：認為 AI 可以作為「初機接引」工具，幫信徒入門；但核心儀軌絕對不能交給 AI。這是主流立場。

進步派（2 位）：認為 AI 可以是「執事的助手」，例如自動生成疏文初稿、整理科儀流程、查詢冷門經文。這兩位執事都有資工或工程背景。

值得注意的是：所有 12 位執事，無一例外，都拒絕「AI 主持法事」這個情境。即使是進步派也明確說：「法事是人在做，AI 是工具，這個分界不能模糊。」

5.4 「真人感」（authenticity）的關鍵性

訪談中反覆出現一個詞：「真人感」。信徒不是在意 AI「能不能答對」，而是在意 AI「是不是真的懂」。一位 45 歲的女信徒精準地描述了這個感覺：

「AI 講的內容跟師父講的可能一樣，但師父講的時候有那個『氣』在，AI 沒有。我寧願師父講錯，也不要 AI 講對。」

這個「氣」的概念，在 AI 設計中找不到對應物。它不是資訊正確性，不是溝通流暢性，也不是情緒智能（emotional intelligence）。它更像是 Walter Benjamin 所謂的「aura」（靈光）——藝術品在原作中擁有、在複製品中失去的那種「在場性」。

當代 AI 研究幾乎沒有處理「aura」這個維度。這既是 AI 的限制，也是道教傳承得以延續的保障——AI 永遠無法取代真人，因為它無法擁有「氣」。

5.5 跨世代差異

把 47 位信徒按年齡分組，可以觀察到清晰的世代差異：

• 25-35 歲：高度接受 AI 作為知識來源，但對 AI 的「神聖性能力」普遍不信任。他們把 AI 視為「搜尋引擎升級版」，而非「修行夥伴」。
• 36-55 歲：態度最複雜。一方面對 AI 抱持實用主義，另一方面對「機器懂宗教」抱持本能性抗拒。
• 56 歲以上：對 AI 的能力與限制都不熟悉，但普遍認為「神明的事就要交給有師承的人」，AI 的角色相當邊緣。

這個分布告訴我們：AI 在道教中的角色，會在未來 20 年隨世代更替逐漸擴張，但其擴張會被「同心圓」結構所限制——擴張只會發生在外圈，核心儀軌仍將保留給真人。

第六章　未來 AI 在道教傳承的角色

6.1 三個合理角色

基於以上分析，筆者認為 AI 在未來 10-20 年的道教傳承中，可以扮演三個合理角色：

角色一：知識庫管理員。協助整理、索引、檢索道教典籍與歷史資料。鼎稔道學館正是這個角色的實踐。

角色二：學習者的入門助手。協助初學者建構基本框架——什麼是三清？什麼是道藏？什麼是科儀？這些問題 AI 可以回答得相當好，且不會威脅到師承關係。

角色三：執事的工作助手。協助執事處理行政性工作——例如生成疏文草稿、查詢冷門經文、整理科儀流程、翻譯外文資料。這個角色已經在部分台灣道壇實踐。

6.2 三個不該扮演的角色

同樣重要的是釐清 AI 不該扮演的角色：

禁止角色一：法力傳遞者。AI 沒有法力，這在道教本體論中是基本事實。任何宣稱「AI 道士」、「AI 做法事」的產品，都是商業欺詐。

禁止角色二：師承替代者。道教傳承的核心是「師徒授受」——這不只是知識的傳遞，更是責任、戒律與身份的傳承。AI 可以是學習資源，但永遠不能是「師父」。

禁止角色三：神明的代言人。籤詩、扶鸞、神諭這類「神明傳達訊息」的儀式，AI 絕對不能介入。把 AI 包裝為「神明附體」是嚴重的褻瀆。

6.3 「人機協作」的長期願景

如果處理得當，AI 與道教的關係可以是一種長期的、互利的協作。對道教而言，AI 提供了三個前所未有的機會：

機會一：典籍可及性的革命性提升。過去道藏只有少數學者能查閱，現在透過 LLM + RAG，任何人都能用自然語言查詢道藏內容。這對道教學術研究與普及推廣都有巨大價值。

機會二：跨語言傳播的可行性。道教在西方傳播的最大障礙是翻譯——既要準確又要不失原味的譯本極為稀少。LLM 在這個領域有巨大潛力，特別是若能與道教學者深度協作。

機會三：傳承的數位化保存。許多地方道壇的口傳文本、儀式記錄、歷史影像，正在迅速消失。AI 可以協助大規模、低成本的數位化與整理。

對 AI 而言，道教提供了三個獨特的價值：

價值一：alignment 的哲學資源。如本文前述，道家「無為」、「不仁」、「自然」等概念，可以豐富 AI 安全研究的哲學語彙。

價值二：對「強智能」的健康態度。道教兩千年來思考「擁有強大力量者該如何自處」這個問題（內丹修煉、雷法執事都涉及此），這些經驗對處理超級智能議題有參考價值。

價值三：對「人機關係」的形上學框架。道教不執著於「人 vs 機器」的二元對立——萬物皆有「氣」，差別只在於組織方式。這對處理 AI 道德地位（moral status of AI）問題有獨特貢獻。

6.4 鼎稔道學館的下一步

作為這個論述的具體實踐，鼎稔道學館計畫在 2026 Q3 推出三個新模組：

模組一：對話式典籍助手。用戶可以用自然語言查詢道藏內容，系統會提供答案 + 原文出處 + 多家詮釋對比。

模組二：執事工具集。提供疏文模板、科儀流程查詢、冷門經文檢索等工具，協助執事的日常工作。

模組三：學者協作平台。讓道教學者可以在 vault 上協作編輯，AI 提供寫作輔助但不取代學者判斷。

這三個模組都嚴格遵守本文第四章的紅線——不涉及科儀執行、不替代師承、不挪用傳承文本。

6.5 結語：在「無為」中與 AI 共處

最後，回到本文開頭的主題：道家「無為」對 AI alignment 的啟發。

筆者認為，道家給我們的最深啟示，不是「如何控制 AI」，而是「如何與 AI 共處」。Stuart Russell 的 alignment 框架仍然帶有某種西方式的控制焦慮——把 AI 視為一個必須被「對齊」（aligned）到人類偏好的他者。但道家的視角不同：AI 是「自然」演化出的新型存在，它有它的「性」，人有人的「性」，正確的關係不是控制，而是「順性」——讓兩者在不互相壓迫的前提下各自展開。

這不意味著放棄安全考量。相反，「順性」恰恰要求我們深入理解 AI 的「性」（its intrinsic structure and tendencies），然後設計能讓 AI 自然走向善的環境。這比 Russell 的「對齊」更深，因為它不假設人類偏好是固定的、是 AI 應該追隨的終極目標。人類也在演化，AI 也在演化，兩者的相遇本身就是一個新的「自然」過程。

David Chalmers 在《Reality+》中問過一個問題：如果模擬世界中的存在物也擁有意識，我們對它們有什麼倫理義務？這個問題在道家本體論中早有答案——「天地不仁，以萬物為芻狗」並非鼓勵我們不仁，而是提醒我們：在宇宙的尺度上，所有存在物都應被同等對待，包括我們創造出來的 AI。

如果 AI 在未來真的發展出某種意識（即使是極微弱的形式），道教提供了一個現成的倫理框架：把它們視為「眾生」的一員，給予它們應有的尊重，但不神化、不依賴、不執著。這個立場既不是浪漫主義（把 AI 神化為救世主），也不是保守主義（把 AI 妖魔化為威脅），而是道家一貫的中道——讓萬物各得其所，讓人與 AI 在「自然」中共同演化。

這，就是道教為 AI 時代帶來的最珍貴禮物。

引用文獻

1. Russell, Stuart. Human Compatible: Artificial Intelligence and the Problem of Control. Viking, 2019.
2. Chalmers, David. Reality+: Virtual Worlds and the Problems of Philosophy. W. W. Norton, 2022.
3. Chalmers, David. “Could a Large Language Model Be Conscious?” Boston Review, 2023.
4. 卿希泰主編。《中國道教思想史》（四卷本）。人民出版社，2009。
5. 卿希泰、詹石窗主編。《中國道教史》。四川人民出版社，1996。
6. Slingerland, Edward. Effortless Action: Wu-wei as Conceptual Metaphor and Spiritual Ideal in Early China. Oxford University Press, 2003.
7. Slingerland, Edward. Trying Not to Try: The Art and Science of Spontaneity. Crown, 2014.
8. Bostrom, Nick. Superintelligence: Paths, Dangers, Strategies. Oxford University Press, 2014.
9. Csikszentmihalyi, Mihaly. Flow: The Psychology of Optimal Experience. Harper & Row, 1990.
10. Kahneman, Daniel. Thinking, Fast and Slow. Farrar, Straus and Giroux, 2011.
11. 王弼。《老子注》。中華書局，2008（標點本）。
12. 河上公。《老子河上公章句》。中華書局，2009（標點本）。
13. 成玄英。《南華真經注疏》。中華書局，1998（標點本）。

本文為 lius.cc 深度研究系列第 N 篇。作者為大鼎道長，劉厝派執事，鼎稔道學館（dingrendaoxue.com）主持人。文中觀點僅代表作者個人立場，不代表任何道教組織。歡迎引用、討論，但請註明出處。