如何用 AI 輔助戒煙：先弄清楚這 4 件事

戒煙困難的核心，是大腦獎勵迴路的生理機制，而不只是心理上的意志力問題。

尼古丁進入體內後，會刺激中腦邊緣多巴胺系統（mesolimbic dopamine system，即大腦的獎勵與動機迴路），促使多巴胺釋放，產生愉悅與放鬆感。這個反應一旦反覆發生，大腦便開始重塑回饋機制：對尼古丁的需求逐漸變成「預設狀態」，沒有尼古丁時，多巴胺水準下降，戒斷症狀才跟著出現。焦躁、注意力散渙、強烈的煙癮衝動，都是這個生理調適過程的一部分。

成癮機制是一個層次，行為觸發點是另一個層次。壓力、飯後、特定社交場合、某個習慣性動作，都可能在特定時刻觸發抽煙衝動。這些觸發點往往已經和行為形成了高度自動化的連結，很難靠「每次察覺到就強忍住」來消除，而是需要被辨認出來、被分析，然後在那個當下得到另一種回應。

這兩個問題的組合，解釋了為什麼戒煙成功率一直偏低。世界衛生組織的資料顯示，在無任何輔助手段的情況下自行戒煙，復發率在 80% 到 95% 之間。即使是目前實證效果最好的組合（藥物治療加上行為諮商），6 個月的戒煙成功率也在 22% 到 45% 之間，已是現有最強的介入手段了。台灣國民健康署的戒煙門診數據也顯示，6 個月戒煙成功率約為 22%，而三次以上的電話諮商則可達到 40% 左右。

所以要問 AI 能幫什麼，首先要確認的是：它被接入的，是哪一個環節？

目前主流的 AI 戒煙工具，主要提供三類功能：即時情感支持、個人化對話回應，以及行為模式的持續追蹤。

即時支持，填補空檔時段的漏洞

傳統戒煙門診或電話諮詢都有固定時段，但煙癮衝動不挑時段。深夜焦慮、下午壓力高峰、聚餐場合前後，這些時刻往往是最脆弱的，也是最缺乏即時支援的。AI 聊天機器人的核心優勢之一，就是 24 小時可觸及，並在用戶主動開口時立刻回應。

個人化回應，對話策略因人調整

透過自然語言處理（NLP），AI 可以根據用戶描述的情境、情緒狀態、過去的觸發模式調整對話方向，而不是提供固定的標準建議。這一點在傳統資源有限的情境下特別重要，因為能夠根據個人狀況調整的支持資源，原本是稀缺的。

行為追蹤，幫助用戶辨認自己的抽煙模式

部分工具整合穿戴式裝置或每日自我記錄，追蹤抽煙頻率、觸發情境、情緒變化，協助用戶在一段時間後看清楚自己的行為規律。很多人在戒煙前並不清楚自己在什麼情況下最容易抽，這個可視化過程本身就有價值。

在對話策略設計上，研究比較了兩種主要取向。動機訪談（Motivational Interviewing, MI）強調引導用戶發現內在動機、支持自主決策；對抗式輔導（Confrontational Counseling）則傾向直接指出行為矛盾。2024 年發表於 JMIR 的研究（He et al.）顯示，採用 MI 模式的 AI 聊天機器人，在用戶滿意度、互動黏著度與自我效能感上的表現明顯優於對抗式，雖然兩者在實際戒煙率上的差異並不顯著。

現有研究顯示 AI 工具能提升短期戒煙意願和自我效能，但長期效果（12 個月以上）仍缺乏大型臨床試驗的直接驗證。

2025 年發表於 Frontiers in Digital Health 的系統性回顧（Deepika V 等人）彙整了 31 份研究，結論指出採用虛擬助手的戒煙成功率比傳統方式高出約 30%。這個數字看起來可觀，但需要留意：這裡的「成功」在大多數研究中指的是短期戒斷（幾週到幾個月），不是 12 個月以上的長期維持。研究方法的異質性也相當高，直接比較需要謹慎。

同年發表於 JMIR Formative Research 的 Aipaca 聊天機器人可行性研究（Liu Y 等人）招募了 29 名有戒煙意願的成人，使用 AI 工具介入後的結果：知道具體戒煙方法的知識分數從 56.86 提升到 76.86（P<.001），自我效能感從 3.10 提升到 4.38（7 分制，P<.001），且 65.5% 的參與者在「戒煙準備度階梯」上提升了至少一個層級。但需要說明的是，這是小樣本的可行性研究，主要目的是評估工具是否可行，而非驗證長期戒煙率。

把不同介入方式放在一起比較，才能看清楚 AI 工具目前的位置：

現有 AI 戒煙工具在自然語言理解、長期效果、資料隱私與臨床整合這四個面向，都還存在尚未被充分解決的問題。

自然語言處理的解讀邊界

現有的 NLP 系統在處理語意模糊、情緒混雜或語氣矛盾的輸入時，仍有誤判風險。用戶說「我今天還好，沒有特別想抽」，可能是真的狀態穩定，也可能是不想多說。有經驗的諮商師可以從語氣、節奏、前後文讀出這個差距，但目前的 AI 很難穩定做到。這個解讀能力的缺口，在高風險時刻尤為關鍵。

長期效果缺乏足夠數據支撐

多數 AI 戒煙工具的研究追蹤期在 8 到 12 週之間，缺乏 12 個月以上的長期追蹤。而戒煙最容易失敗的時期，往往是在第 6 個月到第 2 年這段維持期，也就是目前 AI 工具研究覆蓋最少的時段。現有數據對短期意願的提升有較清楚的支持，但對長期行為改變的貢獻仍待驗證。

資料隱私與問責機制不透明

AI 工具在對話過程中會收集大量敏感健康資料，包括抽煙頻率、情緒日誌、觸發情境。這些資料如何儲存、是否用於訓練模型、能否被第三方存取，目前各平台的揭露程度差異很大，監管框架也不完整。用戶把敏感的健康行為數據交給一個工具時，往往並不清楚這些數據的後續走向。

整合進臨床流程的斷點

AI 工具的對話是在系統內部完成的，但用戶的戒煙進度、情緒狀態與高風險訊號，往往無法自動同步給主治醫師、藥師或諮商師。這個資訊斷點，意味著 AI 工具和醫療端在大多數情況下仍是各自運作的，沒有形成真正的協同流程。

AI 戒煙工具作為補充支持而非替代方案，在用戶有初步動機、需要填補間隙期支持的情境下，能夠發揮最清楚的作用。

問題、原因都看清楚之後，才能回到「什麼做法在什麼條件下更好」這個問題。

AI 工具目前的研究數據，還不支持它單獨取代藥物治療或行為諮商。但在幾個具體條件下，它作為補充層次確實能填補現有體系的空缺：

用戶有初步動機但缺乏即時支援：有意願戒煙但無法規律就診的人，或生活在醫療資源相對不足區域的用戶，AI 工具可以填補兩次門診之間的空白期。

觸發點辨識階段：用戶在戒煙初期往往不清楚自己的抽煙模式。AI 的持續追蹤功能有助於建立自我觀察的習慣，讓後續的介入（不管是藥物還是諮商）更有針對性。

藥物治療期間的行為支持：藥物解決生理依賴，AI 工具處理行為觸發的即時應對。兩者各有分工，整合使用比單獨依賴任一種更完整。

在評估一個 AI 戒煙工具是否值得使用之前，有幾個問題值得先問清楚：