> ## 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. # 費曼學習法 AI 版：關掉螢幕講一遍，30 秒抓出你其實不懂的地方 - URL: https://growthhackers.tw/blog/feynman-technique-ai-explanation-illusion/ - Published: 2026-08-03T01:00:00.000Z - Updated: 2026-08-03T01:00:00.000Z - Description: AI 幫你把話講得很順，於是你更難察覺自己其實不懂。這篇把費曼學習法拆成一個 30 秒就能跑完的檢查：關掉螢幕、出聲講一遍、看你第幾句卡住。卡住的地方不是丟臉，是你該去問 AI 的那個問題。 - Author: Lewis wang - Tags: 費曼學習法, 元認知, AI 學習法, 認知科學, 電商經營 工程師圈子裡流傳一個很蠢但很有效的招數，叫**小黃鴨除錯法**（rubber duck debugging）。 程式卡住的時候，不去問同事，也不去翻文件。桌上擺一隻塑膠小鴨，然後一行一行，把自己的程式碼講給鴨子聽。 鴨子不會回話。整個過程沒有任何一個位元的新資訊進到你腦袋裡。但講到一半，很多人就自己把 bug 抓出來了。 這個做法出自 1999 年的經典《The Pragmatic Programmer》，Andrew Hunt 跟 David Thomas 在書裡提到一位隨身帶著橡皮鴨的研究助理 Greg Pugh。先說清楚：這是工程圈口耳相傳的習慣，**沒有任何同儕審查的研究證實過「橡皮鴨有效」**。它值得談，是因為它剛好是一個更大的認知機制的日常版本。 而那個機制跟**費曼學習法**是同一套。它在 2026 年最重要的用途，已經不是幫你學得更快，是幫你發現一件更麻煩的事：**你以為你懂的東西，其實你不懂。** 先把整篇最重要的一句話放在這裡： **對著筆記講，不算。對著空白講，才算。** 因為 AI 時代你要檢查的從來不是 AI 會不會寫，是關掉螢幕之後，你還能不能把整條因果鏈講出來。 普林斯頓大學心理系教授 Tania Lombrozo 最近在 [TEDxNewEngland](https://www.youtube.com/watch?v=cbiyPOn-%5F%5FM&ref=growthhackers.tw) 講了這隻鴨子背後的認知科學。她研究「人為什麼要問為什麼」超過二十五年，同名的書《Why We Ask Why》今年十月才要出版。 她講的東西，剛好是每一個天天開著 ChatGPT、Claude、Gemini 工作的人，最該拿來自我檢查的。這篇我不只解讀她的演講，也把她引用的幾個實驗回頭查了原始論文，因為演講的轉述跟論文寫的，有幾個地方不太一樣。 --- ## 費曼學習法是什麼？四個步驟怎麼做 **費曼學習法**（Feynman Technique）是一套用「解釋」來檢驗理解的學習方法：挑一個概念，用完全白話的語言講給一個外行人聽，講到卡住的地方就是你的知識缺口，回去補完之後再用類比重講一次，直到不用任何專業術語也講得通。 流通最廣的是四個步驟： 1. 挑一個概念，寫在一張白紙的最上面 2. 用最白話的語言解釋它，設定成「講給一個完全沒背景的人聽」 3. 卡住、含糊、必須用術語混過去的地方，標記起來回去查 4. 用類比把它再簡化一次，講到一個外行人聽得懂為止 有些版本會拆成五步，把「實際講給別人聽、聽對方的追問」獨立出來當第五步。差別不大，核心動作只有一個：**開口解釋，然後看你在哪裡卡住。** 還有一個常被跳過的事實：費曼本人沒有寫過這套步驟。他確實以「能把難的東西講到大一新生聽懂」聞名，但我們今天在網路上看到的四步驟版本，是後來的人整理出來、再掛上費曼名字流傳開的。 --- ## 為什麼 AI 會讓你誤以為自己懂了？ 先講這幾年最被低估的一個變化。 以前在職場，「講得順」跟「真的懂」幾乎是同一件事。你要把一件事講順，就必須先在腦子裡把它拆過一遍、排過順序、想過別人會在哪裡卡住。順暢是理解的副產品，不是主角。 所以主管用它、面試官用它、客戶也用它。「這個人講得很清楚」變成大家判斷「這個人真的懂」最常用的代理指標，準確率不差。 現在呢？ **流暢變成免費的了。** 一個月幾百塊訂閱費，你就能產出結構完整、邏輯通順、連轉折語都用得恰到好處的任何東西。廣告成效分析、商品文案、SQL、給老闆的簡報、給客戶的提案回覆。 那個用了一輩子、準確率不差的判斷訊號，就這樣壞掉了。 ![流暢度與理解度，原本是同一條線，AI 把它們分開了](https://growthhackers.tw/content/images/2026/07/inline-fluency-vs-understanding-v1.png) 而且第一個被騙的不是你老闆，是你自己。你讀 AI 產出的那段文字，腦中浮現的那個「喔喔我懂了」，是文字順暢度給你的感覺，不是你腦中真的長出了一套能運作的因果模型。 這句話聽起來像雞湯，但它已經被量到了。 2026 年發表在《Computers in Human Behavior》的一篇研究（Fernandes 等人，Aalto 大學團隊主導）做了兩個實驗，總共近 700 位受試者，題目是 LSAT 的邏輯推理題。用了 AI 的人，**成績確實有進步，但他們高估自己的幅度比進步的幅度還大**。 更值得台灣的 AI 早期採用者看一眼的是另一個發現：**AI 素養越高的人，對自己表現的判斷反而越不準**。而且在這類測驗裡通常會出現的鄧寧克魯格效應（越不會的人越自信），在使用 AI 的組別裡直接消失了。不是被修正，是整個判斷機制被打亂。 另一篇 2025 年刊在《PNAS》的研究更直接（Bastani 等人，約一千名土耳其高中生）。學生用 GPT 練習數學，練習期間的成績漂亮得不得了，比對照組高出 48%。然後研究團隊把 AI 收走，讓他們自己考。 **這群人的表現，比從頭到尾沒用過 AI 的對照組還低 17%。** 練習期間那個「我學會了」的感覺，是真的。它只是不屬於你。 --- ## 解釋深度幻覺是什麼？為什麼一開口就卡住 **解釋深度幻覺**（illusion of explanatory depth）指的是：人會系統性地高估自己對事物運作原理的理解，而且要一直到真的開口解釋，才會發現落差有多大。 Lombrozo 在演講裡講了一個很日常的例子。 她朋友 Roxana 的兒子有天問她：龍捲風是怎麼形成的？ Roxana 大學修過氣候與天災的課，覺得這題自己講得出來。她開口說「因為有氣壓差」，然後就卡住了。是什麼把它啟動的？她不知道。低氣壓到底怎麼變成一根漏斗？她講不出來。 她跟 Lombrozo 說：我那一刻才發現，我根本什麼都不知道。 這個現象的原始研究，是 Leon Rozenblit 與 Frank Keil 在 2002 年發表於《Cognitive Science》期刊的 [The misunderstood limits of folk science](https://cogdevlab.yale.edu/sites/default/files/files/rozenblit%20&%20keil%20%202002.pdf?ref=growthhackers.tw)。實驗設計簡單到你今天下午就能對自己做一次。 先請受試者用 1 到 7 分，替自己對某個日常物件的理解程度打分。拉鍊、抽水馬桶、汽缸鎖、縫紉機、直升機這種每天看到、都覺得自己懂的東西。接著請他們**寫下完整的、一步一步的運作機制**。寫完再打一次分數。然後回答一個診斷問題（例如「請一步一步說明開鎖的過程」），再打一次。 以第二個研究為例，平均分數從 **3.89 掉到 3.10，回答完診斷問題後掉到 2.49**。 我要誠實講，掉幅沒有網路上流傳的那麼誇張，不是「從 7 分掉到 2 分」。真正嚇人的是它**極度穩定**：中間沒有人糾正他們，也沒有任何新資料進來，他們只是在試著寫的過程中，親眼看到自己的解釋斷在哪裡，分數就掉了。 不過這篇論文最有用的發現，其實在後面。 研究團隊把同樣的測試套到不同類型的知識上，結果落差很大： - **裝置的運作原理**：自評掉了 0.918 分 - **自然現象**：掉了 0.860 分 - **故事情節**：掉了 0.351 分 - **事實（例如首都在哪）**：掉了 0.291 分 - **程序（怎麼做某件事）**：**負 0.173 分，不但沒掉，還往上** 看懂這張表，你就知道該把力氣花在哪。 **你對「是什麼」跟「怎麼操作」的自我評估其實蠻準的。你會系統性高估的，只有「為什麼會這樣運作」。** 換成我們的語言：你知道 ROAS 的定義（事實，準）、你知道怎麼開一組廣告（程序，準）、但你以為你懂競價機制怎麼決定誰贏（機制，高估）。而在 AI 時代，被外包掉的偏偏就是最後這一類。 重點是什麼？ **幻覺不是被外部資訊戳破的，是被「你自己開口」戳破的。** 這也是為什麼小黃鴨有效。鴨子不用回話，因為戳破幻覺的從來不是鴨子，是你被迫把腦中那團模糊的「感覺懂了」轉換成一句一句有先後順序的話。轉換的過程中，破洞會自己浮出來。 --- ## AI 產出的電商報表，為什麼最會製造理解幻覺？ 把場景換到我們自己的工作。 想像一下，你早上打開電腦，AI 已經幫你把上一檔母親節活動的成效分析生好了。四個段落，三張圖表，結論斬釘截鐵：「本檔 ROAS 較前次下滑 18%，主因為新客獲取成本上升與再行銷受眾重疊。」 你讀完，點頭。合理啊。按下核准，轉發到群組。 下午開會，老闆問你一句：「那個受眾重疊，是重疊在哪一段？把它拆開，ROAS 會回來多少？」 你發現你只能把簡報上的字再唸一遍。 這一刻你踩到的就是解釋深度幻覺。而且比 Roxana 那次嚴重，因為 Roxana 只是答不出兒子的問題，你是**已經按下核准了**。 這種事在電商團隊發生的頻率，比大家願意承認的高很多： - GA4 的歸因模式換了，報表數字全變。你知道「數字變了」，但講不出來為什麼這個渠道會被拉高。 - CDP 推播的名單是系統跑出來的。你知道它叫「高價值沉睡客」，但講不出來這個標籤用了哪幾個條件、哪個時間窗。 - Meta 廣告的出價機制大家都在用，真要你解釋一次競價怎麼決定誰贏，多數人第二句就卡住。 - AI 寫的商品文案順到可以直接上架，但你講不出來它為什麼會打中那群人。 以前這些洞會慢慢被發現，因為做的過程本身很慢，慢到你有機會卡住、有機會問、有機會補。 現在整段「做」的過程被 AI 吃掉了，成品直接送到你面前。你少了那個會卡住的機會。 Lombrozo 在演講收尾講的那句話最狠：如果我們不從自己已經有的資訊開始，就等於把「轉換與重組資訊」這個過程外包掉了。而這個過程，正是讓你有能力分辨「腦袋裡的東西」跟「腦袋外面查得到的東西」的那個過程。 一旦分辨不出來，你就分不清「我懂這件事」跟「我有一個工具隨時查得到這件事」。 這兩件事，在你被問住之前，感覺起來一模一樣。 --- ## 自我解釋效應是什麼？跟費曼學習法差在哪？ Lombrozo 給的解法是一個動作：**解釋**。而且不必解釋給別人聽，解釋給自己聽就有效。 1980 年代末，一群認知科學家想搞清楚：同樣一本教科書、同樣一段教材、同樣的考題，為什麼有些學生學到的遠比其他人多？既然外部資訊完全一樣，差別就一定在**他們拿這些資訊做了什麼**。 答案是：學得最好的那群人，在讀的時候會不斷對自己提問，然後盡力回答自己。 這是 Chi、Bassok 等人 1989 年發表在《Cognitive Science》的經典研究，受試者讀三題牛頓運動定律的例題，全程放聲思考。同一題例題，學得好的那組花 13 分鐘，另一組只花 7.4 分鐘；他們平均生出 15.5 句自我解釋，另一組只有 2.7 句。 他們就是自己的小黃鴨。 先講清楚這篇研究的限制：**它只有 8 個受試者，而且「好」跟「壞」是事後依成績中位數分組的**，所以它證明的是相關，不是因果。真正的因果證據要看後面那三十年。2018 年《Educational Psychology Review》上一篇後設分析（Bisra 等人）整合了 **64 份報告、69 組效果量、5,917 名學習者**，得出的加權效果量是 **g = 0.55**。在教育介入研究裡，這是個相當紮實的數字。 但 Chi 那篇裡最讓我坐直的，是一個常被略過的細節。 表現差的那組學生，他們的自我監控陳述裡，有 **85% 是在說「我懂了」**。 他們沒有偷懶，也沒有不用功。他們只是**問了自己，然後給了自己一個「懂了」的答案**，於是就停下來了。 這就是解釋深度幻覺在教室裡的樣子。而 AI 做的事，是把「感覺懂了」這個訊號調到最大聲。 那解釋這個動作，到底改變了什麼？ Lombrozo 自己參與的一個實驗回答了這題。在演講裡她用鴨子跟青蛙來舉例，那是講給觀眾聽的比喻；真正的實驗用的是白卡片上的黑色幾何圖形線稿（[Brockbank、Lombrozo、Gopnik 與 Walker，2023 年《Developmental Science》](https://static1.squarespace.com/static/5615df0fe4b04be83771e91d/t/628fdd049962a4511e159ce3/1653595397449/Brockbank%5FLombrozo%5FGopnik%5FWalker%5FDevSci%5F2022.pdf?ref=growthhackers.tw)），46 個五、六歲的小孩。 規則是這樣：給一張參考卡，上面是兩個一模一樣的圖形。再給兩張新卡，一張是「兩個一樣的新圖形」，一張是「一個跟參考卡相同的圖形加一個不同的」。哪一張跟參考卡是一組？ 大人選前者，因為大人看到的是一層抽象關係：相同配相同。五、六歲的小孩選後者，因為他們看到的是「這張有那個形狀，那張也有」。 研究團隊把小孩分兩組。一組被問「你可以告訴我，為什麼我說這張卡跟這張卡是一組嗎？」另一組被問「你可以提醒我，我剛剛說哪張卡跟這張卡是一組嗎？」 兩組看到的東西一模一樣。兩組都沒有得到任何回饋。差別只在一個詞：**為什麼**。 只被要求回想的那組，六題裡平均只做對 1.44 題。 被要求解釋的那組，平均 4.78 題。 沒有新資訊進來，沒有人告訴他們對錯，光是被問了一句「為什麼」，他們看待整批資訊的方式就變了。 這就跟做菜一樣。食譜要巧克力豆跟有鹽奶油，你冰箱只有一塊巧克力磚、一條無鹽奶油跟一罐鹽。你不需要出門買菜，你需要的是把手上的東西切開、混在一起。學習很多時候也是這樣：不是缺資訊，是缺一次重組。 那費曼學習法跟自我解釋，是同一件事嗎？ 不完全是。而且這個差別，決定了你能不能天天用它。 | | 費曼學習法 | 自我解釋 | | ----- | -------------- | ------------------ | | 本質 | 一套**教學品質標準** | 一個**認知機制** | | 目標 | 讓外行人聽得懂 | 讓自己重新組裝資訊 | | 需要聽眾嗎 | 概念上需要（假想一個外行人） | 不需要，鴨子就可以 | | 需要簡化嗎 | 需要，這是核心要求 | 不需要 | | 需要講對嗎 | 最好講對 | **講錯也有效**，卡住本身就是產出 | | 成本 | 高，要準備、要重寫、要找類比 | 低，30 秒跑一次 | | 使用頻率 | 一週一次、一個主題一次 | 一天八次，塞進每個工作縫隙 | 如果你問我，費曼學習法最大的問題不是它沒用，是**它太重了**。要挑主題、要寫白紙、要找類比，光啟動成本就讓多數人做兩次就放棄。 AI 時代最需要的不是一週一次的深度儀式，是一個便宜到可以塞進每一次驗收的即時檢查。 --- ## 為什麼照著 AI 的輸出講一遍，不算費曼學習法？ 這是我看到最多人把費曼學習法做壞的地方。 你打開 AI 給你的那份分析，照著上面的邏輯順一遍，覺得「嗯我懂了，我剛剛都講得出來」。 你不是在做費曼學習法，你是在朗讀。螢幕上的字幫你補完了所有你其實沒有的環節，你根本沒機會卡住。沒有卡住，這個工具就沒有輸出。 這件事我不是從論文學會的，是從賣傘學會的。 我在雨傘產業待了七年，做過工廠業務、產品開發，也真的去百貨公司站過專櫃。帶新人的時候，公司會給一份話術卡，上面寫得清清楚楚：這把傘用什麼骨架、什麼布、抗風幾級、為什麼賣一千二。 新人背得很順。你叫他背，他一字不漏。 然後客人來了，拿起傘問一句：「那我為什麼不買樓下那把三百九的就好？」 卡住。 我後來訓練新人只有一個方法，土法煉鋼但有效：**把話術卡收走**，然後說「你現在講一遍給我聽，我是客人」。 一開始沒有人講得完。但那個「講不完」本身就是整份教材，因為他會自己發現，他不知道那個骨架好在哪、不知道為什麼那個布貴、不知道抗風幾級是怎麼測的。 他的採購清單，就是他卡住的那幾個點。 二十年後我在用 AI 寫東西的時候，又踩到同一個坑。有陣子我寫完一篇解碼文，讀起來順得不得了，結果朋友問了我一句文章裡某個機制的細節，我當場答不出來。那篇是我掛名的，可是有一段的因果鏈其實沒有真的過我的腦。 話術卡換成了 AI 的輸出，坑一模一樣。 --- ## 費曼學習法 AI 版怎麼做？30 秒空白測試四步驟 給你一個我自己在用的版本，跑一次不用一分鐘。 ![30 秒空白測試四步驟：關掉輸出、出聲講一遍、標記第一個卡住的地方、把它寫成問題](https://growthhackers.tw/content/images/2026/07/inline-blank-test-v1.png) **► 第一步：關掉輸出** 把 AI 給你的東西整個收起來。切分頁、關視窗、把紙翻面。這一步不能省，它是整個測試的關鍵，因為你要的就是「沒有東西可以照著唸」的狀態。 **► 第二步：從頭講一遍，出聲** 對著空氣、對著鴨子、對著手機錄音都可以。從第一個因講到最後一個果，不要跳。重點是出聲，因為出聲會逼你把「感覺」轉成「句子」，而句子有先後順序，模糊的東西藏不住。 **► 第三步：標記你第一個卡住的地方** 不是最後一個，是**第一個**。人卡住的當下有個很自然的反應，是繞過去，講抽象一點就滑過去了。不要滑。第一個你需要含糊其辭的地方，就是缺口。 **► 第四步：把卡住的地方寫成一個具體問題** 這一步才是整套的價值所在。 Roxana 卡住之後，她知道自己的**資訊採購清單**上該寫什麼了。她需要的是「低氣壓到底怎麼變成漏斗」，不是「龍捲風是什麼」。 同理，你不該去問 AI「幫我分析母親節檔期成效」，你該問的是「把再行銷受眾跟新客受眾的重疊名單拉出來，算一下重疊那群人的貢獻，如果排除他們，這檔的新客 CAC 是多少」。 **卡住不是丟臉，卡住是清單。** ![斷掉的那一環，就是你的資訊採購清單](https://growthhackers.tw/content/images/2026/07/inline-gap-is-your-list-v1.png) 重點不是罵自己不懂，而是把「我卡在哪裡」變成下一個可以問、可以查、可以驗證的問題。 --- ## 費曼學習法 prompt：把 AI 變成一隻會回話的小黃鴨 第二步講完之後，AI 可以派上用場，但角色要換。它不該是答題的人，它該是那個追問的人。 我固定用的 prompt 長這樣，你可以直接複製： ``` 你現在的角色是「小黃鴨」，不是老師。 我要用白話解釋一個概念給你聽。你的任務只有三件事： 1. 找出我講的內容裡，因果鏈斷掉或跳過的地方 2. 找出我用術語混過去、但沒有真的解釋的詞 3. 針對每一個缺口，問我一個追問問題 規則：不要直接給我答案，不要幫我補完，不要稱讚我。 如果我某一段講得含糊，直接指出「這裡你其實沒解釋」。 等我全部回答完，再幫我列出我真正需要去查的問題清單。 我要解釋的概念是：（在這裡貼上你的解釋） ``` 順序很重要。**一定要先自己講完，再貼給 AI。** 先問 AI 再講，你就只是在朗讀它的答案，整個測試作廢。 --- ## 費曼學習法可以用在哪些 AI 工作場景？ **► 驗收 AI 產出前** 按下核准之前，關掉視窗，把「它為什麼這樣寫」講一遍。這跟我之前寫的[驗收迴圈](https://growthhackers.tw/blog/ai-agent-verification-workflow/)是同一件事的兩面，那篇講怎麼設計檢查機制，這一步是檢查你自己。 **► 進會議室之前的三分鐘** 等一下要報的那個數字，先自己講一遍怎麼來的。你在哪裡卡住，老闆大概率就會問到哪裡。這招的命中率高到有點可怕。 **► 面試跟評估廠商** 別問「你會不會用 AI 工具」。把報表收走，請對方講一遍上一檔的 ROAS 怎麼來的、哪個決策改變了結果。這跟[看動詞不是看名詞](https://growthhackers.tw/blog/real-ai-talent-verbs-not-nouns/)是同一套邏輯。 **► 帶 junior** 他做不出來的時候，先別急著丟更多資料跟教學影片。Lombrozo 那個實驗已經說了，不給新資訊、只要求解釋，效果就出來了。這也呼應我寫過的[倒過來教](https://growthhackers.tw/blog/ai-deskilling-inverted-apprenticeship/)。 **► 老闆自己** 團隊越小、AI 用得越兇，這件事越危險。我在[一人公司請 9 個 AI 員工](https://growthhackers.tw/blog/ai-agent-one-person-company-moat/)那篇講過，AI agent 放大的到底是你的專業還是你的無知，差別就在你有沒有能力驗收。 --- ## 什麼時候一定要做這個檢查？ 如果每次用 AI 都要跑一次空白測試，你什麼事都別做了。 我用兩條標準篩。 第一條，回到 Rozenblit 與 Keil 那張表：**只測「為什麼」，別測「是什麼」跟「怎麼操作」。** 你對定義跟操作步驟的自我評估本來就準（程序性知識的自評甚至不降反升），花時間測它是浪費。會騙你的永遠是機制題：為什麼這個受眾會轉換、為什麼這個模型會這樣歸因、為什麼這個價格帶會賣得動。 第二條： **這件事錯了，是你要負責，還是可以隨時改回來？** 商品描述的一段形容詞、社群貼文的開頭、內部會議記錄的排版，改回來的成本趨近於零，AI 給什麼你就用什麼，別浪費力氣。 但只要牽涉到「這個判斷會決定接下來三個月的錢往哪裡去」，或者「我要拿這個結論去跟老闆、跟客戶、跟股東交代」，那就值得那 30 秒。 還有一種情況必須做：**你打算把這件事變成你的專業。** 因為專業的定義，本來就是「不用查也能講清楚因果」。你可以永遠靠 AI 查得到某件事，但那叫你有帳號，不叫你懂。 --- ## 常見問題 **Q1：費曼學習法是什麼？** 一套用「解釋」檢驗理解的學習方法。挑一個概念，用白話講給外行人聽，卡住的地方就是知識缺口，補完之後用類比重講一次，直到不用術語也講得通。核心不是背，是開口。 **Q2：費曼學習法幾個步驟？** 最流通的是四步：選概念、白話解釋、標記卡住處回頭補、用類比再簡化一次。有些版本拆成五步，把「實際講給別人聽並回應追問」獨立出來。步驟數不重要，重要的是「開口 + 卡住」這兩個動作。 **Q3：費曼學習法可以搭配 AI 使用嗎？** 可以，但順序不能錯。先自己在沒有任何參考資料的情況下講完一遍，再把你的解釋貼給 AI，請它只找因果缺口、只追問、不給答案。反過來先問 AI，你就只是在朗讀。 **Q4：為什麼照著 AI 的答案講一遍，不算真的懂？** 因為螢幕上的文字幫你補完了所有你其實沒有的環節，你不會卡住。而費曼學習法真正的產出就是「卡住」。沒有卡住，就沒有診斷結果。 **Q5：小黃鴨除錯法為什麼有效？鴨子又不會回話。** 先說：小黃鴨除錯法本身沒有同儕審查的研究背書，它是《The Pragmatic Programmer》流傳出來的工程圈習慣。它之所以合理，是因為它剛好是自我解釋效應的日常版本。戳破幻覺的不是鴨子，是你被迫把腦中模糊的「感覺懂了」轉換成有先後順序的句子，轉換的過程會讓破洞自己浮出來。 --- ## AI 時代，真正要檢查的是什麼 AI 這幾年真正改變的，不是我們能做多少事，是我們**判斷自己會不會的那把尺**。 尺壞了，比不會做嚴重得多。不會做，你至少知道要去學。以為自己會，你連學什麼都不知道。 Lombrozo 給的解法很不性感，也不用買任何工具：向內看，先問自己，當自己的小黃鴨。 但這件事在 2026 年有一個新的商業意義。當所有人的產出都一樣順、一樣完整、一樣像樣的時候，能不能在關掉螢幕之後把它從頭講一遍，會變成團隊之間真正的差距。 而且這個差距，短期內完全看不出來。 它會在某一次老闆追問第二層問題的時候、某一次客戶要你解釋為什麼建議這樣做的時候、某一次投放突然壞掉要你判斷該砍哪一組的時候，一次結清。 今天下午找個東西試試看。挑一個你「應該很懂」的：你們家的會員分級規則、你主力商品的定價邏輯、你最常用的那個歸因模型。 關掉螢幕，出聲講一遍。 看你第幾句卡住。 --- **延伸閱讀** - 演講原文：[How you can learn in a world of information overload | Tania Lombrozo | TEDxNewEngland](https://www.youtube.com/watch?v=cbiyPOn-%5F%5FM&ref=growthhackers.tw) - 發現自己不懂之後，下一步怎麼練：[AI 時代學什麼、怎麼學？把知識、技能、經驗分開](https://growthhackers.tw/blog/ai-era-what-to-learn-how-to-train/) **本文引用的原始研究** - Rozenblit, L. & Keil, F. (2002). [The misunderstood limits of folk science: An illusion of explanatory depth](https://cogdevlab.yale.edu/sites/default/files/files/rozenblit%20&%20keil%20%202002.pdf?ref=growthhackers.tw). *Cognitive Science*, 26(5). - Chi, M. T. H., Bassok, M., Lewis, M. W., Reimann, P. & Glaser, R. (1989). [Self-explanations: How students study and use examples in learning to solve problems](https://files.eric.ed.gov/fulltext/ED296291.pdf?ref=growthhackers.tw). *Cognitive Science*, 13(2). - Bisra, K., Liu, Q., Nesbit, J. C., Salimi, F. & Winne, P. H. (2018). [Inducing self-explanation: A meta-analysis](https://link.springer.com/article/10.1007/s10648-018-9434-x?ref=growthhackers.tw). *Educational Psychology Review*, 30(3). - Brockbank, E., Lombrozo, T., Gopnik, A. & Walker, C. M. (2023). [Ask me why, don't tell me why](https://static1.squarespace.com/static/5615df0fe4b04be83771e91d/t/628fdd049962a4511e159ce3/1653595397449/Brockbank%5FLombrozo%5FGopnik%5FWalker%5FDevSci%5F2022.pdf?ref=growthhackers.tw). *Developmental Science*, 26(1). - Fernandes, D. et al. (2026). [AI makes you smarter but none the wiser](https://research.aalto.fi/en/publications/ai-makes-you-smarter-but-none-the-wiser-the-disconnect-between-pe/?ref=growthhackers.tw). *Computers in Human Behavior*, 175. - Bastani, H. et al. (2025). [Generative AI without guardrails can harm learning](https://www.pnas.org/doi/10.1073/pnas.2422633122?ref=growthhackers.tw). *PNAS*, 122(26). --- **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。