> ## Content Index > Fetch the complete content index at: https://growthhackers.tw/llms.txt > Use this file to discover other available public pages before exploring further. # AI 時代學什麼、怎麼學？把知識、技能、經驗分開，你才不會學了兩年還在貼 prompt - URL: https://growthhackers.tw/blog/ai-era-what-to-learn-how-to-train/ - Published: 2026-07-31T13:00:00.000Z - Updated: 2026-07-31T13:00:00.000Z - Description: 有人兩年打了三十幾場黑客松，他說新手最容易卡的不是難度，是「腦子懂了，手不會動」。AI 只把知識打到骨折價，技能和經驗反而更貴。這篇給你一套「對帳式練習」，讓你知道明天早上到底該做什麼動作。 - Author: Lewis wang - Tags: AI學習法, 刻意練習, 學習方法, AI人才發展, 職涯發展 有個人兩年內打了三十幾場黑客松（hackathon，限時開發競賽），拿下二十一座獎，獎金加起來快十萬人民幣。 他不是資工系的。用他自己的話說，他是一個「野生的 vibe coder」。 主持人問他：你現在也在教別人用 AI，你觀察一個新手從零開始，最容易卡在哪一步？ 他的答案只有兩個字：實戰。 「現在資訊很碎片化，很多人會覺得我看了、我懂了。但實際上只是腦子懂，手不會動。」 這段對話出自 WAIC 2026 期間的一場圓桌直播「圍爐夜話」，主持人是楊遠騁（Koji）。 三位與談人分別是 InfoQ 總經理暨總編輯王一鵬、一位 AI 開放平台的副總經理梁佳琪，以及上面那位野生 vibe coder 許恆。 我看完整場，最有感的不是「AI 好厲害」。 而是我發現，我們大部分人根本沒搞清楚自己在學什麼。 所以這篇會先把「學習」拆成三塊，再給你一套我叫做「對帳式練習」的四步迴圈，讓你判斷哪些事該丟給 AI、哪些事得自己先做。 ## 你以為的「學習」，其實是三件事被攪在一起 王一鵬在圓桌上丟出一個分類，我覺得是整場最值錢的東西。 他說，學習其實可以拆成三種：**知識、技能、經驗**。 知識，是可以被讀、被查、被檢索的東西。GA4 的事件參數怎麼設定、Meta 廣告的競價邏輯是什麼、什麼叫 ROAS。 技能，是必須被訓練才會的東西。你得練，光看不會。 經驗，是只能自己去撞的東西。撞完留下一道疤，那道疤就是你的。 重點是什麼？ AI 這兩年只把其中一種東西的價格打到骨折，就是**知識**。 以前你要搞懂一個新工具，得先買本書，從第一章讀到最後一章，或是花三千塊買一堂線上課。現在你打開對話框問三句，五分鐘就拿到一份比那本書還整齊的整理。 但技能沒有變便宜。經驗更沒有。 你用同一套動作（買課、看影片、收藏文章）去對付三種完全不同的東西，所以你學了兩年 AI，還是只會貼別人的 prompt。 這裡我要先跟自己前陣子寫的一篇文章對一下帳。我在[看 AI 人才要看動詞不是名詞](https://growthhackers.tw/blog/real-ai-talent-verbs-not-nouns/)那篇講過，「技能」正在被大規模取代。這兩件事不衝突，但要分清楚： ► 可以被寫成 SOP、可以被規格化的技能 → 正在貶值 ► 只能靠「自己出手、撞牆、修正」長出來的**判斷力** → 正在漲價 本篇講的「技能」，指的是後面那種。 ## 「用 AI 學比較快」是真的，代價也是真的 這件事有實驗數據，而且數字很難看。 賓州大學的 Hamsa Bastani 團隊做了一個近千人的隨機實驗，對象是土耳其的高中生，題目是數學。研究後來登上 [PNAS](https://www.pnas.org/doi/10.1073/pnas.2422633122?ref=growthhackers.tw)。 學生被分成三組：一組用類似 ChatGPT 的介面（GPT Base），一組用加了護欄、只給提示不給答案的家教版（GPT Tutor），一組什麼都沒有，只能用課本。 練習的時候，成績漂亮得不得了。GPT Base 那組比對照組高 48%，GPT Tutor 那組高 127%。 然後研究人員把 AI 收走，直接考試。 用 GPT Base 那組，成績比什麼都沒用的對照組**低了 17%**。 而加了護欄、只給提示的 GPT Tutor 那組，這個傷害幾乎消失了。 同樣是 GPT-4，一個讓你退步，一個沒事。差別只在它給你**答案**，還是給你**提示**。 ![同一台 GPT-4，給答案還是只給提示，長期結果完全相反。練習時成績都很漂亮，把 AI 收走考試才看得出誰真的學會了。（數據來源：PNAS, Bastani et al.）](https://growthhackers.tw/content/images/2026/07/inline-answer-vs-hint-v1.png) 同一台 GPT-4，給答案還是只給提示，長期結果完全相反。練習時成績都很漂亮，把 AI 收走考試才看得出誰真的學會了。（數據來源：PNAS, Bastani et al.） 這件事有個名字，叫認知負債（cognitive debt），出自 MIT Media Lab 那篇 [Your Brain on ChatGPT](https://arxiv.org/abs/2506.08872?ref=growthhackers.tw)。他們找了 54 個人戴腦電儀寫作文，發現用 LLM 那組腦區連結最弱，而且超過八成的人事後想不起來自己文章寫過什麼。 翻成生意人的話： **AI 直接給你答案，等於你在刷卡。當下很爽，帳單之後才寄到。** 先講清楚，我沒有說你每次用 AI 都在欠債。54 個人是小樣本，高中數學也不完全等於你在辦公室裡的處境。真正會欠債的情況只有一種：你把整包產出直接外包出去，中間完全沒有經過自己的腦袋。 ## 更麻煩的是，你根本感覺不到 如果你心裡想「那我小心一點就好」，我勸你先看一個數字。 METR 這個研究機構在 2025 年做過一個隨機對照實驗，找了 16 位資深開源開發者，在他們平均待了五年的自家專案上做 246 個任務，看用 AI 到底快多少。 結果：用了 AI 之後，完成時間**多了 19%**。他們變慢了。 但這些人做完以後自己估計，覺得 AI 讓他們**快了 20%**。 一來是實際慢了 19%，二來是自認快了 20%，中間差了將近 40 個百分點。而這群人，是有五年經驗的老手。 這不代表所有工作用 AI 都會變慢。它講的是另一件事：在你很熟、很複雜、品質標準又高的任務裡，你的體感可能整個失準。 你知道為什麼這件事很可怕嗎？ 因為它代表你的自我感覺完全不能當儀表板用。 已故的心理學家 Anders Ericsson 研究專家養成一輩子，他的結論是：光累積經驗不會變成專家，得靠「刻意練習」。而刻意練習的條件裡，最容易被 AI 使用者忽略的一項，就是**立即、具體、可以拿來修正的回饋**。 AI 剛好極擅長給你立即回饋。 AI 也剛好不知道你這門生意「好」的定義是什麼。是轉換率？是毛利？是品牌調性？還是這一步會不會惹出客訴？ 所以那把尺，還是得你自己拿著。這件事我在[談 AI 自我改進的目標函數](https://growthhackers.tw/blog/ai-self-improvement-target-function/)那篇講過：迴圈跑得再快，尺歪了就是白跑。 ## 對帳式練習：一個做生意的人聽得懂的訓練迴圈 講到這裡都還是道理。切入重點，明天早上你到底要做什麼動作？ 開過店的人都知道什麼叫對帳。金流一份、後台一份、銀行一份，兜不起來就一筆一筆去找差在哪。 把同一個動作搬到學習上，就是我想給你的四個步驟。 **第一步：先手。不准先問 AI。** 先自己出一版。一段商品文案、一個活動企劃、一張報表要看哪些欄位，隨便什麼。 爛沒關係。重點是留下「你原本的樣子」。這一版就是你的期初庫存，沒有它，你後面根本無帳可對。 **第二步：對帳。** 現在才叫 AI 出一版，或是更好的做法：把你那版丟給它，叫它當考官挑毛病，規定它「只准問問題、不准幫我改」。 你要看的不是誰寫得比較好。是**差在哪裡**。 **第三步：提煉一條規則。** 看完差距，把它寫成一條可以複用的規則。 一條。不是十條。 比方說「我的文案總是先講規格才講痛點，下次倒過來」。這一條，就是你今天真正長出來的東西，其他都是娛樂。 **第四步：下一輪先套規則，再對帳。** 下次先手的時候，先把上次那條規則套上去，再重新對一次帳。 你會發現差距換了一個地方出現。那就對了，那代表你上一輪真的長了。 ![對帳式練習四步迴圈：先手 → 對帳 → 提煉一條規則 → 套規則再來。關鍵全在第一步，不准先問 AI，你得先留下「你原本的樣子」，後面才有帳可對。](https://growthhackers.tw/content/images/2026/07/inline-reconcile-loop-v1.png) 對帳式練習四步迴圈：先手 → 對帳 → 提煉一條規則 → 套規則再來。關鍵全在第一步，不准先問 AI，你得先留下「你原本的樣子」，後面才有帳可對。 這一套順便回答了一個很多人卡住的問題：如果我本來就分不出 A+ 和 B+ 呢？ 答案是，你分不出來，是因為你從來沒有把自己的版本跟更好的版本擺在一起看過。對帳做十次，那把尺自己會長出來。 回到開頭那三塊，現在可以收成一句話： **知識用查的，技能用對帳練，經驗只能拿真的場子去撞。** 查知識，五分鐘。練技能，對帳十輪。至於經驗，你得真的把一檔活動做砸過、真的被客人罵過、真的看著預算燒掉沒有回頭，那些才會變成你的。這也是為什麼下一段要談，什麼時候你該故意把 AI 關掉。 ## 什麼時候該故意不用 AI？ 這裡有個張力要處理。 一邊有人叫你放手，把事情全丟給 AI（我自己在[程式碼變免費之後](https://growthhackers.tw/blog/code-is-free-become-the-driver/)那篇也是這樣主張的）。另一邊又有人說 AI 會切斷你的學習。 到底聽誰的？ 我的判準很簡單，就一句話：**看你要的是交付，還是要長成能力。** ► 這件事只是要**交付**，做完就結案，你這輩子不需要靠它做判斷 → AI 全開，不要客氣。翻譯商品頁、整理逐字稿、生一百組廣告標題變體，全部丟出去。 ► 這件事你**將來要靠它判斷別人的產出好不好** → 先手紀律，故意先自己做一版。 你是老闆，將來要驗收行銷企劃的品質，那你自己就得先手寫過幾份企劃。不然你只會變成一個看到 AI 生出漂亮排版就點頭的人。 ![打開明天的待辦清單，每一項先問一句：這件事是交付，還是要長成能力？純交付的全丟給 AI；將來要靠它判斷別人產出的，強迫自己先手一版。](https://growthhackers.tw/content/images/2026/07/inline-deliver-vs-grow-v1.png) 打開明天的待辦清單，每一項先問一句：這件事是交付，還是要長成能力？純交付的全丟給 AI；將來要靠它判斷別人產出的，強迫自己先手一版。 這也是為什麼我不敢把所有事情都外包給 AI。倒不是情懷，是因為我知道，我不練，我就失去否決權。 ## 那書還要不要讀？王一鵬的答案很反直覺 圓桌上主持人問了一題：現在系統性地讀一本教材、上一門課，還有意義嗎？ 王一鵬的回答讓我停了一下。他說有意義，但**只剩經典教材值得你從頭到尾系統學**，而且最好是找一位真的懂的人，幫你篩出三本，然後反覆讀。 那怎麼分辨哪本算經典？我自己的判準是：這本書在幫你建立**判斷標準**的，值得從頭讀；只教你某個工具怎麼點的，當字典查就好。 其他所有東西，一律「以練代學」：教材當字典用，不要一頁一頁翻。先找一個真問題開做，卡住了再翻進去查。專案做完，這東西你大概就會了。 為什麼經典教材不能省？ 他的理由很尖銳：生成式 AI 每次都是從零幫你重新推演一條路出來。你如果沒有底層的錨點，就分不出「很有說服力」和「對」的差別。 哪天有人拿一套包裝精美的理論唬你一頓，你根本沒辦法判斷。 同場的梁佳琪講了一個很生動的例子。她工科出身但十幾年沒碰程式，今年靠 AI 撿回來，一開始覺得「原來 coding 這麼簡單」，迅速站上希望之峰。做著做著 bug 一堆，又跌進絕望之谷。 最後怎麼爬出來的？找了做架構師的朋友坐下來一起看。 不是靠再問 AI 一次。 ## 我自己是怎麼練的 老實說，我這一年學 Claude Code、學怎麼寫 agent，沒上過任何一門課。 我是逼自己把這個部落格的產線做出來：從抓來源、寫稿、配圖到上稿，一路串成流程。相關的觀念我後來才回頭補，像是[把團隊 SOP 變成 AI 技能包](https://growthhackers.tw/blog/agent-skills-andrew-ng-course/)那套做法。 過程有夠狼狽。 有一次生圖的程式崩潰卻沒把鎖釋放掉，後面每次生圖都在那邊排隊排到逾時，錯誤訊息還長得像另一個問題，我白繞了好幾圈才找到。 還有一次我在文章裡放站內連結，直接拿本機的資料夾名稱當網址，結果整篇內鏈全是死連結，被抓包。 這些東西，沒有一堂課會教。 你知道為什麼嗎？因為它們是「經驗」，不是「知識」。經驗沒辦法被寫進課綱，只能你自己去撞。 而我真正從頭到尾讀完的東西，這一年反而變少了。少數幾本、讀很多遍。 ## 如果你是主管，怎麼把它變成制度 一個人練是一回事，帶一個團隊又是另一回事。三個做法： ► **拿真案子當練習場，不要出考卷。** 挑一個真實但低風險的專案，例如下一檔活動的落地頁文案，讓同事先手一版，再跟 AI 版本對帳。假任務練不出真判斷。 ► **把公司的 AI 工具設成「教練模式」。** 在給團隊的系統提示裡明講：先反問、先給提示，不要直接給完整成品。這一條就是 PNAS 那個實驗裡的護欄，成本幾乎是零。想做得更徹底，可以參考[AI 原生組織的四種工作方式](https://growthhackers.tw/blog/ai-native-organization-4-workflows/)。 ► **辦內部小型黑客松。** 半天就好，題目要「有點難、會失敗」。許恆兩年打三十幾場，練出來的不是某個框架，是那種卡住了知道怎麼往下拆的手感。 至於團隊裡的資淺同事該怎麼帶、要不要繼續養，我另外寫過一篇[AI 時代還要不要養 junior](https://growthhackers.tw/blog/ai-deskilling-inverted-apprenticeship/)，這裡就不重複了。 ## 最後一件事：執行力靠借勢，不靠意志力 王一鵬還講了一段我覺得很誠實的話。 他說他知道自己自驅力沒那麼強，所以他刻意去公司坐班，即使公司沒規定。他想做 podcast 拖了很久沒動，後來直接找了幾位外部來賓，把日期敲死。 日期一敲死，生產力就出來了，第一集就生出來了。 因為你如果不做，就是爽約，那是你的個人信譽。 他的說法是：換個角度看外部給你的壓力，那不是委屈，那是借力。 所以你今天要練的東西，最好也綁一個外部的樁。跟同事約好下週一 demo，或是報名一個要上台分享的場合。 想法躺在腦子裡半年，這年頭它就過期了。 ## 三件今天就能做的事 ► **今晚挑一件你「腦子懂但手沒動過」的事，先手做一版。** 不准問 AI。三十分鐘就好，難看沒關係。一封 EDM、一段商品頁文案、一份會議摘要、一張週報怎麼判讀，都可以。 ► **做完再叫 AI 當考官。** 直接把這句話貼給它：「請只問我五個問題，指出這一版最弱的地方，不要幫我重寫。」然後把差距提煉成**一條**規則，寫在便條紙上貼著。 ► **打開明天的待辦清單，每一項標一個記號。** A 代表純交付，B 代表你將來要靠它做判斷。A 全部丟給 AI，B 強制自己先手。標記本身只要三分鐘，但這張清單比任何一堂課都值錢。 AI 讓你學得更快，這句話是真的。 但它讓你「感覺學會了」的速度，比你真的學會的速度快得多。 那個落差，就是你要練的地方。 ## 常見問題 FAQ **Q：AI 時代到底該學什麼？** 先別問學什麼，先問手上這東西屬於哪一類。知識（可以被查到的）已經被 AI 打到骨折，不值得你花大錢囤；技能和經驗（要練、要撞才會的）反而在漲價。把力氣從「蒐集知識」搬到「累積判斷力」，方向就對了。 **Q：用 AI 學習真的比較快嗎？** 練習當下會快很多。PNAS 那個近千人的實驗裡，用 AI 練習的學生成績比對照組高 48%。但把 AI 收走考試，同一批人比對照組低了 17%。加了護欄、只給提示不給答案的版本則沒有這個副作用。所以快是真的，代價也是真的，差別在你讓它給答案還是給提示。 **Q：還需要買線上課、讀教科書嗎？** 值得從頭到尾系統讀完的，只剩少數幾本經典，最好請一位真的懂的人幫你篩。判準是：這本書在幫你建立**判斷標準**，才值得從頭讀；只教工具操作的，當字典查就好。其他東西一律先找一個真問題開做，卡住再翻進去查。經典不能省的理由是，你需要一個底層錨點，才分得出「聽起來很有道理」和「真的對」。 **Q：怎麼把 AI 當教練，而不是當代工？** 在系統提示或每次開場就跟它講清楚：先反問我、只給提示、不准直接給我完整成品。然後強迫自己先手做一版再給它看。護欄的成本幾乎是零，差別卻是實驗等級的。 **Q：學了就忘、老是啟動不了怎麼辦？** 別跟意志力硬拚，改用借勢。跟同事約好下週一 demo，或報名一個要上台分享的場合。日期一敲死，你不做就是爽約，生產力自己會出來。 --- **協作聲明與免責** 這篇文章由王董與 AI 一起整理製作完成。文中引用的第三方資料、研究或工具都會標註來源名稱；若原始出處有公開連結，會以 `[來源名稱](URL)` 形式附上，方便你進一步查找。若文中內容與原始出處有任何出入，請以原文為準。 內容僅供參考與學習交流，不構成任何專業、商業或投資建議，請依自身情況判斷並自行承擔行動風險。文中提及的工具功能、數據與平台政策可能隨時間異動，請以各官方最新公告為準。 --- ### 資料來源 - WAIC 2026「圍爐夜話」直播圓桌，主持人楊遠騁（Koji），與談人王一鵬（InfoQ）、梁佳琪、許恆（[原始影片](https://www.youtube.com/watch?v=uxR9pOkbiY8&ref=growthhackers.tw)） - Bastani et al., 《Generative AI without guardrails can harm learning: Evidence from high school mathematics》，[PNAS](https://www.pnas.org/doi/10.1073/pnas.2422633122?ref=growthhackers.tw) - MIT Media Lab，《Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task》，[arXiv:2506.08872](https://arxiv.org/abs/2506.08872?ref=growthhackers.tw) - METR，《Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity》，[METR 研究報告](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/?ref=growthhackers.tw) - K. Anders Ericsson，刻意練習（deliberate practice）相關研究