學 AI 的時候,提問、專業知識與查核,哪一項可以少學一點?
我的答案是,先不要急著把它們排成新舊能力。知道問題涉及什麼,才有機會問得具體;能說清楚需求,也還需要判斷答案可不可信。
舊稿用「從知道答案到問對問題」描述變化,寫得像提問會取代知識。現在我更想談,怎麼把知識、提問與驗證放進同一個練習。
一、學合作,也要知道合作的限制
在NVIDIA2024年4月15日發布的奧勒岡州立大學對談整理裡,黃仁勳談到把運算應用於自己的專業領域,並提到界定問題、協作、修正與反覆嘗試。文中也保留他對 AI 限制的說明。
我從這些話得到的提醒,是學習工具與練習判斷可以一起安排。這不是黃仁勳替每個科系制定的課程,也不代表所有人必須放棄程式或專業學習。
本文不再以本次未核實原始出處的「如果我是學生」逐字引語開場。接下來的學習方法是我的建議,不假託為他的完整主張。
二、好問題需要知道自己在問什麼
假設我要整理一份公開的產品說明,可以先交代讀者是誰、整理來做什麼,以及哪些規格與限制不能漏。這些條件,比只要求「寫得專業一點」更容易讓人檢查是否完成。
但我仍要有能力看懂原始說明。若不知道規格之間的差別,就可能把工具整理後的短句當成全部;問題寫得完整,也不自動補上缺少的專業理解。
我會把提示看成工作說明的一部分:說明目標、材料、限制與交付方式。這個比喻不表示自然語言指令能保證像程式一樣執行,也不表示有一套模板就能通用所有任務。
三、練習時留下可以對照的材料
延續這個假設,我可以先自己列出產品說明的重點,再請工具整理,接著把兩份結果與原文對照。這樣才能指出哪個地方有幫助、哪個地方需要修正,以及自己原先是否也漏看了條件。
這不是一個已完成的成效實驗。若要比較效率,還要把閱讀、查核、改稿與交付的時間一起記錄,不能只量第一份答案出現的速度。
我想練的是能重看的過程,而不是用一次順利的產出,證明實習生已追上專家,或 AI 已讓知識失去價值。原稿沒有足夠工作紀錄支持那些比較,現在也不再保留。
四、教育可以多一種練習,不必少一種根基
我希望課程能讓學習者練習說明目標、比較答案、找回原始材料與解釋修正理由。這是我對教學安排的期待,不能直接當成所有學校目前都沒有這樣教的證據。
一個人選擇學程式、會計、設計或其他專業,都可能有各自的目的。是否使用 AI、使用到哪一步,也需要考慮任務條件與可用資源,不宜把不熟工具的人直接判為不具能力。
〈讀AI採用報告〉提醒我,回報使用與可檢查的成果需要分開。課堂或職場的練習,也應給學習者說明限制與暫時停用的空間。
五、開始一項練習的四個問題
如果想從一項小任務練習,我會先問:
- 我想學會或改善什麼,能否先用自己的話說明問題?
- 可以提供哪些合適材料,哪些內容不應交給工具處理?
- 怎麼用原始材料與自己的知識,檢查結果和修正理由?
- 要記錄哪些幫助、錯誤與補工,才知道下一步怎麼調整?
這是作者安排 AI 學習的四個問題,不是課程認證、產出倍數或就業結果的保證。
也不必一開始就把整份工作都交出去。可以先練一段自己能核對的內容,遇到無法判斷的地方,再找老師、同儕或適合的專業協助。
六、讓答案接受追問,也讓自己可以進步
我仍認為 AI 協作值得學,但不想把學習變成一場人人都得立刻完成的競賽。對我而言,有用的練習要能說明自己做了什麼,也能承認哪些地方仍不會。
「認知基礎設施」若要保留,只能是我對學習安排的比喻:讓材料、問題、查核與回饋可以接起來。它不證明 AI 已理解我的意圖,更不表示所有能力都只剩下調度工具。
我想練成的,是把一個問題問得更具體,知道到哪裡查,並能解釋為什麼接受或修改答案。知識沒有因此免修,提問與判斷也可以在這個過程裡一起長出來。
資料與查核範圍:2026年11月4日修訂
直接核對上述NVIDIA2024年對談整理的必要段落,採有限轉述,不稱原音逐字或完整訪談查核。「如果我是學生」的原始語段與多場合反覆出現未在本次核驗,不當引語依據。產品說明練習明示假設,四問與教育期待為作者建議;沒有新增學校盤點、專業表現、學習或就業的對照研究,也未驗原公司實習生與團隊成果。原發表日保留。
修訂說明: 撤下提問取代知識、十倍品質、一小部分時間達專家品質、沒有大學教、非專業者快速追平,以及所有知識工作的唯一底層等說法。不再借名人語句把特定學習路徑寫成所有人的生存門檻。


💬 留言討論
載入中...