「如果我現在是大學生，我會學 AI。」

這句話出自 NVIDIA 執行長黃仁勳之口，在 2024 到 2025 年間的多個公開場合反覆出現。每次被轉傳，底下的留言都差不多：「他當然這樣說，他賣 GPU 的。」

但如果你把這句話從商業利益的框架裡抽出來，認真想一想，它其實在說一件比「學什麼科系」更根本的事。

從「知道答案」到「問對問題」

過去幾十年的教育，核心邏輯是「記憶＋重現」。你記住課本上的知識，在考試中正確重現，就能拿到好成績、進好學校、找到好工作。整個系統獎勵的是「已知答案」的儲存量。

但 AI 的出現，把這套邏輯炸開了。

當 ChatGPT 可以在幾秒內回答你花一學期才搞懂的微積分題目，當 Claude 能夠幫你寫出一份品質不差的市場分析報告，「知道答案」這件事的市場價值，正在以肉眼可見的速度崩跌。

取而代之的是另一種能力：你能不能問出一個好問題？

這不是修辭。這是一個非常具體的技術門檻。同樣使用 AI，一個懂得拆解問題、給出脈絡、設定約束條件的人，和一個只會打「幫我寫一篇報告」的人，得到的產出品質可以差上十倍。

黃仁勳說的「學 AI」，我認為不是要每個人去學寫 CUDA 程式。他在說的是：學會跟 AI 協作的能力，將成為所有能力的底層。

提示工程不是技巧，是思維結構

很多人把「跟 AI 對話」當成一種技巧——學幾個 prompt 模板，知道怎麼下指令，就覺得自己「會用 AI」了。

這就像把「會打字」等同於「會寫作」一樣荒謬。

真正的 AI 素養，是一種思維結構的重建。你必須學會把模糊的直覺拆解成明確的步驟，把籠統的需求轉化為可執行的指令，把你腦中那團混沌的想法，整理成 AI 可以理解的結構化語言。

這其實跟程式設計的本質是相通的。寫程式的核心不是語法，是邏輯分解。而提示工程（prompt engineering）的核心也不是用什麼魔法關鍵字，是你對問題本身的理解深度。

差別在於，寫程式需要你學一種機器語言；而提示工程讓你用自然語言就能做到類似的事。門檻低了，但對思考品質的要求反而更高了。

我在經營公司時學到的一課

這不是抽象的理論。我自己在經營公司的過程中，深刻體會到這個轉變。

早年做數位轉型顧問，團隊裡最值錢的人是「知道答案的人」——懂 SEO 的人、懂 GA 的人、懂社群投放的人。他們的價值來自專業知識的稀缺性。

但從 2023 年開始，這個邏輯開始鬆動。AI 工具大量普及之後，那些過去需要專業知識才能完成的任務，現在一個聰明的實習生搭配 AI 助理，花三分之一的時間就能做到七八成的品質。

這不代表專業知識不重要了。恰恰相反——它代表「只有專業知識」已經不夠了。你還需要知道怎麼把你的專業，跟 AI 的能力結合起來，產出比兩者單獨運作更好的結果。

我在團隊裡觀察到一個很明顯的分水嶺：能夠快速適應的人，通常不是技術最強的人，而是「最會問問題的人」。他們知道怎麼把一個模糊的客戶需求，拆解成五個可以丟給 AI 的子任務，然後把 AI 的產出重新組裝成一個有洞見的交付物。

這種能力，沒有一間大學教。但它正在成為所有知識工作的基礎作業系統。

教育系統的時差

問題在於，教育系統的反應速度，遠遠跟不上這個轉變。

台灣的大學課程，多數還是以「學科知識傳授」為核心。你學會計，就考會計師；學法律，就考律師。整個系統假設「知識→證照→就業」是一條穩定的流水線。

但當 AI 能在幾秒內完成基礎的會計分析、法律文件摘要、市場調研報告，這條流水線的前半段就失去了它的護城河。一個剛畢業的會計系學生，和一個用 AI 輔助的非會計背景工作者之間的能力差距，正在急速縮小。

這不是要否定專業教育的價值。而是說，專業教育需要加上一層新的底座：如何跟 AI 協作。

黃仁勳的建議，本質上是在說：不管你學什麼專業，AI 素養都應該是必修。不是選修、不是通識營、不是「數位公民」那種點到為止的東西。是像英文一樣，從底層貫穿所有學科的基礎能力。

不只是工具，是認知基礎設施

如果你還在把 AI 當成一個「比較好用的 Google」，你可能低估了正在發生的事情的規模。

搜尋引擎改變了我們取得資訊的方式。但 AI 正在改變的，是我們處理資訊的方式。它不只是幫你找到答案——它幫你思考、幫你分析、幫你把零散的線索織成一個有意義的敘事。

這就是為什麼我說 AI 素養不是一種「工具技能」，而是一種「認知基礎設施」。就像識字率的普及改變了整個文明的運作方式，AI 素養的普及，將重新定義「有能力的人」長什麼樣子。

過去，有能力的人是「知道很多事的人」。 未來，有能力的人是「能調動 AI 去解決複雜問題的人」。

這兩種人之間的差距，不是程度的差別，是維度的差別。

你的第一步

回到黃仁勳那句話。「如果我是學生，我會學 AI。」

但如果你已經不是學生了呢？

答案是一樣的。AI 素養不分年齡、不分科系、不分你現在做什麼工作。它是一種可以從今天開始練習的能力。

不是去上一堂 Python 課。是從今天開始，把你工作中最花時間的三件事，試著拆解成可以跟 AI 協作的流程。然後觀察：哪些部分 AI 做得比你好？哪些部分你做得比 AI 好？兩者結合之後，產出是不是比任何一方單獨做更好？

這個實驗本身，就是學習 AI 最好的方式。

因為 AI 素養的本質，從來就不是「學會一個工具」。它是學會一種新的思考方式——把你的智慧和機器的算力，編織成比兩者加總更大的東西。

黃仁勳看到的，或許就是這個。