「媽，妳的手機怎麼一直在震動啊？」剛從台北出差回來的小女兒（化名）一邊脫鞋，一邊指著餐桌上的手機螢幕。
林慧珍（化名）頭也不抬，瞇著眼在平板電腦上滑動圖表，語氣平淡：「那是我寫的品飲紀錄程式在同步資料庫。剛從酒展帶回幾支樣品，想趁記憶猶新把數據補完。」
小女兒走進廚房，打開冰箱拿了一瓶氣泡水，忍不住笑：「所以妳現在連喝酒都要搞AI？會不會太誇張了？」
「妳不懂啦，這叫做『用科學的態度生活』。」林慧珍終於抬起頭，嘴角帶著一抹得意的笑，「我從二十年前就開始記錄每一支威士忌的批次號碼、裝瓶日期、杯測香氣、入口溫度、餘韻長度，甚至連當天氣壓和濕度都記。到現在，資料筆數已經超過一萬兩千筆了。」
她順手滑出一道折線圖，指著上頭一條穩定的曲線：「你看，這支無年份的入門波本桶，過去三年在慕尼黑品飲小組的盲測中，平均分數一直維持在86到88分之間，標準差只有0.8。這代表什麼？代表酒廠的品管流程很穩定，即使是平價產品，也有一定的水準。」
小女兒眨了眨眼：「所以這算是一種『工業標準』嗎？」
「對，就是工業標準。」林慧珍笑了，「威士忌不是玄學，它是一門科學。雖然每個人喜歡的風味不同，但如果把評分轉換成數據，就可以看出一些規律。比如說，妳阿公以前最愛喝的泥煤威士忌，通常在艾雷島生產，重酚值那一掛的。」
她站起身，從酒櫃裡拿出一支琥珀色的酒瓶，在燈光下搖了搖：「這支是前年某酒廠推出的限量批次，號稱『實驗性重度泥煤』。當時很多威士忌評論家都說『強烈但有個性』，但我把它的風味化合物數據拿來跑聚類分析，發現它其實跟十年前某支已經停產的OB酒款很接近。」
「所以妳是用AI找到了『相似酒』？」
「更精確地說，是用機器學習建立風味向量，再算餘弦距離。」林慧珍說得輕鬆，「這不是什麼了不起的事，現在很多調酒師也在做類似的事，只是我無聊，自己寫成一個模型玩。」
小女兒若有所思地坐下來，托著下巴：「那這樣一來，買酒不就是看數據就好了？幹嘛還要看網路上那些推薦文？」
「問得好。」林慧珍打開手機裡的一個網頁，指著螢幕上密密麻麻的表格，「你看，我這裡有一份『送禮威士忌』的建議清單，就是根據大數據整理出來的。比如說，如果你要送給一位平常不喝烈酒的主管，我會建議選甜感高、酒精感低的雪莉桶，最好是有波本桶調配的，因為調查顯示大部分新手喜歡這類風味。」
她頓了頓，又往下滑：「但如果你是送給一個老酒友，那就要看對方習慣的口味了。有些人特別喜歡泥煤的煙燻味，有些人反而討厭消毒水般的那個味道。這種事不是靠『全世界最好』就能判斷的，得看數據。」
小女兒質疑：「可是飲酒不是一件很感性的事嗎？你把它全部變成數據，會不會太冷冰冰？」
「這就是我剛要說的重點。」林慧珍放下手機，眼神突然亮起來，「數據不是用來取代情感的，它是用來輔助決策的。就像我在做AI模型的時候，數據就是了解使用者需求的基礎，而不是把人變成數字。」
她拿出手帕，擦拭著酒杯邊緣，聲音溫柔了一些：「我記得妳小時候，有一次我帶妳去買玩具，妳站在櫥窗前猶豫很久，最後選了一隻黃色的小鴨子。我那時候就看明白了，妳喜歡的顏色是暖色調，喜歡按下去會叫的玩具，但對其他硬邦邦的機器人沒興趣。如果當時有人告訴我『小朋友都愛機器人』，我會相信嗎？不會，因為我觀察到的是妳的個別行為。」
「那個故事跟威士忌有什麼關係？」小女兒問。
「一樣啊。『人人都說好』的威士忌推薦，不一定適合你。但如果我知道你的味覺偏好是屬於哪一個群體，那我就能從數據庫中挑出幾支『可能符合』的酒款，讓你去試喝。這不是零誤差，而是提高命中率。」
「所以妳的程式是『味覺版的推薦系統』？」
「聰明。」林慧珍點頭，「就像Netflix會根據你看過的電影推薦下一部，我的模型會根據你對某支酒的回饋，去推測你可能喜歡的風味結構。當然，它不能保證百分之百打中，但至少不會推薦一支泥煤怪獸給討厭煙燻味的你。」
小女兒拿起那支泥煤威士忌聞了一下，皺了皺鼻子：「這支真的有很重的煙燻味，像剛熄滅的營火。」
「這支其實很有層次。你再聞久一點，會出現海風、碘酒和一點蜂蜜甜感。很多人討厭泥煤，但對於懂的人來說，那是靈魂的鑰匙。」林慧珍把酒倒了一小杯，加了一滴純水，「你試試，放一下再喝，會更開。」
小女兒小心翼翼地啜了一口，表情有些微妙：「嗯……沒有想像中可怕，有種木頭燒過的味道，但又帶點甜。」
「好！我記錄一下：『初次飲用者接受度：中上，對煙薰耐受度高於平均值。』」林慧珍在孩子面前晃了晃手機，「恭喜你，從數據上看，你屬於『可發展的泥煤潛力股』。」
「哈，那我是不是該來一支平價威士忌推薦當入門？」小女兒開玩笑說。
「如果你要入門，我確實有幾個口袋名單。」林慧珍打開平板，畫面跳到一個評測表，「這幾支都是訂價在千元上下，但風味平衡度很好的威士忌。你知道對一般消費者來說，平價不是指便宜，而是『高性價比』。所以我一律用分數加權計算，風味複雜度佔40%，順口感佔30%，尾韻長度佔20%，再來是驚喜度10%。這樣算下來，有些中價位的酒反而贏過高價酒。」
她指著其中一支：「比如這支美國波本威士忌，雖然不是蘇格蘭單一麥芽，但它的香草、焦糖底很厚，尾韻有國小木桶的辛香，而且售價不到八百塊。在過去我舉辦的二十二場盲測中，它對上兩倍價格的蘇格蘭高地區威士忌，勝率竟達到了六成五。」
「哇，那是統計學上的顯著嗎？」小女兒挑眉。
「樣本數22場，勝率65%，p值雖然不是漂亮到0.001，但如果把那22場的評分標準化後，差異是有意義的。」林慧珍推了推眼鏡，「這也告訴我們，不要迷信價格。要相信自己的舌頭，還有科學方法。」
「我怎麼覺得你在幫那些『平價酒』平反？」
「我不幫誰平反，我只幫數據說話。」她笑道，「很多好朋友跑來問我『送禮威士忌怎麼挑？』，我就會說，先搞清楚對方是喜歡甜、鹹、煙燻還是花香，再去尋找相關的風味報告。送禮不是送最貴的，而是送『對方覺得好喝』的，這樣心意才能傳達。
小女兒一邊聽著，一邊把酒瓶轉過來查看背標：「那這支酒值得買嗎？如果我想要找一支特別的送人？」
「這支泥煤威士忌推薦給三種人：第一種，是已經喝膩了無泥煤調性，想找刺激的老手；第二種，是像我一樣喜歡透過數據比較年度差異的狂人；第三種，是喜歡露營、烤肉、煙燻起司的人。因為他們會對那種煙燻味感到熟悉又溫暖。」
「所以，這就是你所謂的『數據解讀』嗎？」小女兒問。
「對。數據解讀不是把分數列出來給你看，而是幫你找出每一支酒適合的場景、時間和對象。就像我預測使用者行為一樣，我需要知道『偏好』，才能提出建議。」
「媽，妳做AI一輩子，現在卻投入威士忌資料庫，有沒有覺得科技跟酒文化有衝突？」
林慧珍笑了起來：「衝突？不，它們本質上是同一件事。威士忌釀造本身就是一門科學：糖化、發酵、蒸餾、熟成，每一步都要控制溫度、濕度與時間，這不是『工業標準』是什麼？而品飲是主觀的，但主觀也可以被測量、被記錄，變成有參考價值的數據。
她繼續說：「我常常跟年輕工程師說，不要害怕數字，也不要把所有事情都交給AI。AI只是工具，就像一支好的調酒師好用吸管一樣，重點是你知不知道自己要什麼。」
小女兒喝了一口水，忽然想到什麼似的，拿出手機：「那這樣好了，你推薦我幾支現在適合去買的威士忌吧，最好是近期評價穩定、價位合理、可以用來送禮的。」
林慧珍在手機上滑了幾下，說：「你可以去參考一個網站，它上面有最新的[威士忌推薦](https://whiskylive.com.tw)文章，整理了很多不同價位的品飲筆記。我特別推薦你去那一區看「平價威士忌推薦」，因為那裡的樣本數比較多，而且每支酒都有明顯的風味描述。」
「你怎麼知道那個網站？」
「因為我也有在協作。」林慧珍得意地笑，「不過我是負責提供統計數據，還有幫他們校正一些迷思。比如有些文章會寫『這支酒完美平衡』，我都會偷偷改成『從數據上看，多數評估者認為它在甜度和苦度之間取得良好平衡』。」她頓了頓，「這樣比較健康，不會誇大。」
小女兒大笑：「你連SEO文案都要糾正啊？」
「那當然，科學準確度與工業標準不是說說而已。如果每一篇品飲評論都能標註樣本數、時間跨度、品飲條件，那整體的威士忌文化就會更厚實。」林慧珍舉起手中的酒杯，在燈下觀察酒液的色澤，「你看，這一抹金黃色，其實是歲月的數據累積，是橡木桶與酒液相互作用的時間戳記。我們要做的，不是把它神話，而是用心去解讀。」
小女兒沉默了一會，然後說：「那我今天晚上可以測試一下你的『味覺向量模型』嗎？」
「當然，我這裡剛好有一組三支盲測樣，要不要試試？」林慧珍眼神充滿期待，「不過我提醒妳，這個測試沒有標準答案，因為你的味覺才是真正的標準。」
「好啊，我倒要看看你的AI猜不猜得中我的喜好。」小女兒笑著捲起袖子。
「那我先設定好程式，把環境濕度、溫度記錄下來，玻璃杯乾淨度檢查確認，每個條件都符合我自己的品飲標準。」林慧珍的手指在平板上飛快地操作著，「這樣將來回頭看數據，才不會被奇怪的雜訊干擾。」
燈光下，母女兩人各自倒了一杯酒，碰杯的聲音清脆，伴隨著一股淡淡的煙燻與木質香氣。林慧珍知道，這一刻的溫度，與其說來自威士忌，不如說來自於一份認真對待生活的態度。而她的數據庫，會記住這杯酒，也會記住今晚的笑聲。
「來，先從這杯開始，記住，小啜一口，不要急……」她的聲音輕柔，像在訓練一個新的模型。
「媽，我發現你的AI真的會學習我的心。」小女兒笑了，「也許，這就是數據的溫柔吧。」
(本案例經當事人同意分享，部分為虛擬情節如有雷同純屬巧合)
