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

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 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。

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。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》），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。

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。

► 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。

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。

► 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
• 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

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. 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. Cognitive Science, 13(2).
• Bisra, K., Liu, Q., Nesbit, J. C., Salimi, F. & Winne, P. H. (2018). Inducing self-explanation: A meta-analysis. Educational Psychology Review, 30(3).
• Brockbank, E., Lombrozo, T., Gopnik, A. & Walker, C. M. (2023). Ask me why, don't tell me why. Developmental Science, 26(1).
• Fernandes, D. et al. (2026). AI makes you smarter but none the wiser. Computers in Human Behavior, 175.
• Bastani, H. et al. (2025). Generative AI without guardrails can harm learning. 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。