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

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。

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。

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。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。

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。

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。

► 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，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）
• Bastani et al., 《Generative AI without guardrails can harm learning: Evidence from high school mathematics》，PNAS
• MIT Media Lab，《Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task》，arXiv:2506.08872
• METR，《Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity》，METR 研究報告
• K. Anders Ericsson，刻意練習（deliberate practice）相關研究