《AI 超級大腦》：知識變便宜以後，值錢的是你怎麼思考

一年半以前，我寫過一篇文章，介紹密涅瓦大學那套思考習慣（延伸閱讀：《AI 時代思考指南｜全球頂尖大學的思考習慣訓練課》）。當時我把它當成一個工具，一套幫我把事情想得更清楚、更有條理的方法。課上完、文章寫完，我也確實用了一段時間，但說真的，它一直停在「讓我想得比較好」這個層次，沒有再往前走。

這次，我上了同樣是李佳達老師開設的「AI 超級大腦」課程。同樣一套思考習慣，這次的用途不一樣了。它從一個我自己腦袋裡的工具，變成我跟 AI 一起工作的方式。方法其實沒變，變的是它能怎麼被拿來應用。這篇文章想寫的，就是這中間發生的變化，還有我打算怎麼把它接回自己的系統。

知識變便宜了，值錢的是一套練得起來的思考

這幾年我體感最深的一件事，就是知識真的變得很便宜了。以前一個人值錢，很多時候是因為他腦袋裡裝了別人沒有的東西，會一套別人不會的流程。但自從 ChatGPT 掀起這波 AI 革命之後，很多工作都開始慢慢變得可以被取代了。佳達老師在課程中提到了為何這些工作都漸漸變得可被取代，原因其實出在那些工作可以被拆解、被打包。一份工作只要能寫成「遇到什麼情況、用哪個框架、走哪幾個步驟、產出長什麼樣子」，AI 就能照著做，而且做得更快、更穩、也更便宜。

那，還剩下什麼是值錢的？

如果知識本身可以被打包、被複製，那我們花那麼多時間學東西，剩下真正拿不走的，其實是你怎麼運用這些知識，也就是你怎麼思考。這裡剛好接回我前面提到的那篇文章。我一直很喜歡查理·蒙格（Charlie Munger）那套多元思維模型，到各個領域把最底層的道理搜集起來，變成自己判斷事情時的工具箱。蒙格很偉大，但他有一個從來沒解決的問題，他沒告訴你這些模型該照什麼順序學、怎麼知道自己學會了、又要怎麼反覆練。它比較像一種境界，你只能自己慢慢領悟。密涅瓦大學做的，剛好就是把「思考」這件本來很虛的事，變成一套可以練的東西，每一個思考習慣都有清楚的定義、判斷你用得好不好的標準，還有什麼時候該把它拿出來用的場景。簡單來說，蒙格讓你欣賞思考，密涅瓦讓你動手練思考。

你的思考習慣，就是你指揮 AI 的語言

如果這門課只講到「思考可以練」，那它跟我先前那篇其實沒差多少。真正讓我欣賞的，是再往下的一層。你會怎麼「思考你的思考」，現在直接決定了你能從 AI 手上拿到什麼。

佳達在課裡示範了一個很反直覺的東西。AI 預設的反應，其實跟人的直覺很像，你問它，它就直接給你一個答案，中間不太經過什麼盤算。但如果你在它動手之前，先要它想一下「這一題我應該用什麼策略來解」，它的表現會差很多。有研究就發現，光是多這一個先想策略的步驟，AI 在數學和寫程式這類需要推理的題目上，正確率就明顯往上跳。你多下的那一個動作，其實就是你自己的思考習慣。你懂得預先問一句「這是什麼類型的問題、該用哪一套方法」，你就有辦法把 AI 帶到對的方向。

課裡有一個故事，我很喜歡。一個帶著兩個幼兒的爸爸，完全沒有工程背景，本來連一行程式都不會寫，最後卻靠 AI 做出了好幾個真的能上線的產品。他能做到，靠的是他不再想「我不會寫程式所以我做不到」，反而開始把自己當成一個指揮家，就像樂團指揮不用會拉每一種樂器，他要會的，是讓每個樂手發揮到最好。更有意思的是，他拿來指揮 AI 的那套語言，跟一個主管在交辦工作幾乎一模一樣。他會指定角色，說「你現在是負責這一塊的人」；他會把上下游、可能的失敗、成功長什麼樣子都先講清楚，讓 AI 有足夠的資訊自己去判斷。

這一段對我衝擊很大，因為它把「會不會用 AI」這件事，從一個技術問題，變回了思考跟溝通的問題。當你跟 AI 講話的媒介從程式碼換成人話，真正決定產出好壞的，就變成你會不會把一件事想清楚、講明白、分派出去。我一直都蠻喜歡把一件複雜的事拆開、分給對的人、然後一邊做一邊調整。過去這種能力好像只能拿來管人，現在它突然變成我指揮一整排 AI 的本錢。我自己就給我的工作室搭了一組分工的 AI，有的幫我研究、有的幫我設計、有的幫我盯進度，我做的事，愈來愈像在帶一個團隊，而不是在操作一個工具。

舉幾個我自己在跑的。我給每一個 AI 一個清楚的角色，還有固定的上工時間，它們就會自己動起來，不用我一個一個去催。有一個 agent 專門幫我盯全世界的 AI 跟科技動態，每週固定整理一份重點丟給我，我不用自己天天刷新聞，也不會漏掉真的重要的變化。另一個 agent 每天早上先幫我把行事曆、信箱、待辦掃過一遍，整理成一份當天的行動清單，等我坐到桌前，該先處理什麼已經排好了。還有一個是我腦子很亂、不知道該從哪裡開始的時候用的，我跟它講一下現在卡在哪，它幫我判斷這件事該交給哪個角色去接。我留給自己的，就是最上面那一層，思考、決定方向、下判斷、把事情分派出去。這些其實都不難，難的是你得先想清楚每一件事到底是什麼、該給誰、做成什麼樣子你才有辦法接受，再用人話交代下去。而怎麼把這些想清楚、講明白，靠的就是前面說的那套思考習慣。

把你學過的東西，變成 AI 找得回來的知識庫

關於 AI 時代的知識庫設計，課程中有個經典案例。一家公司有幾萬筆客服的歷史紀錄，還有幾個很資深、卻忙到沒空帶新人的老客服，他們腦袋裡那套「怎麼判斷、怎麼安撫、一句話怎麼把客人擺平」的經驗，幾乎都沒有留下來。課程裡的解法，是把這些散在各處、又講不太清楚的經驗，整理成一個 AI 找得回來的知識庫，讓 AI 在回答之前，先去翻公司自己的資料，再開口。

我最有感的，是它怎麼設計給新人用的那一面。一個新人在線上接到客人丟來一句「我要退款，不退我就客訴到底」，他當下腦子其實是一片空白，這到底能不能退、公司以前都怎麼處理、我現在要回什麼才不會把事情搞大。好的做法不是把一堆政策條文倒給他。是讓 AI 給他三樣很短的東西，這類狀況以前通常怎麼判、建議現在回客人的兩句話、還有立刻該去查的幾件事，而且每一條下面都附上這是根據哪幾筆舊紀錄整理的，讓新人敢用、也敢直接拿去回。

一個原本會愣在那裡半小時、或跑去敲正在開會的主管的新人，就這樣變成三十秒內就知道下一步該怎麼做。這就是一個 AI 看得懂的知識庫的力量。放在以前，光是能擁有一個自己的知識庫就已經很厲害了，只是那時候我們得在關鍵字上下很多功夫，要事先想好一個未來自己回頭找得到的字，才撈得回想要的東西。現在的 AI 知識庫沒這麼講究，你用差不多的說法、接近的意思去問，它就能把你要的答案找出來。

我的想法

上完這堂課後，我發現我一直在練習的，是一套自己的知識庫回溯法。從七、八年前的 Notion，到 Heptabase，再到 Obsidian，我慢慢養出一個屬於自己的知識庫。課裡那套企業等級的做法，當然也可以用在個人版，只是我不需要那一整套很複雜的技術。我需要的，是一個裝著我學過、內化過、又加上自己觀點的倉庫，而且這個倉庫 AI 讀得懂、也找得回來。

這個知識庫最值錢的用法，是回溯。隨著接觸過的東西越來越多，多到我自己都記不住，以前這會讓我很焦慮，覺得學了半天等於白學。但後來我認真去弄清楚記憶怎麼運作，反而放心了，也修正了一個我一直以來的迷思。我本來以為腦容量有限，學了新的、重要的，舊的就會被擠掉。事實好像不是這樣，你學過的東西幾乎不會真的被刪掉，會變的是你「叫得出來」的能力，一樣東西愈久沒用，它的提取強度就愈弱，它並沒有不見，只是你一時找不到回去提取它的那條路。大腦天生本來就不是拿來「記得」的。既然它會失去存取、卻不會真的清空，那在外面接一個 AI 找得回來的知識庫，剛好就能重新描繪出這條愈來愈模糊的路。

而且說老實話，我大概是最需要這種東西的人。我這幾年學的東西很雜，從航空業的訓練、創業一路踩過的坑、不同領域的書籍，到潛水、滑雪這些興趣裡摸出來的門道，彼此看起來八竿子打不著。雜學的好處是手上的素材夠多夠廣，麻煩的是它們散在腦袋各個角落，我常常在某個當下突然覺得這件事好像跟以前學過的什麼有關，卻怎麼都想不起來那到底是什麼。愈是跨領域，這種存了卻叫不出來的狀況就愈嚴重。所以一個能儲存這些雜學、還能幫我把它們重新牽起來的知識庫，對我來說幾乎是必需品。

而這個把舊東西重新牽回來的動作，實際做起來是這樣。遇到一個全新的問題，我會先自己想過一輪，再讓 AI 根據我的知識庫，提醒我有哪些我早就存過、卻一時沒聯想到的東西。

AI 幫我回溯、幫我提醒，但真正在想的還是我自己，這一步我不會交出去。至於為什麼連想都不該外包給 AI，我在上一篇課程心得（延伸閱讀：《總校長的 AI 教育寶典》：AI 時代怎麼學，我把一整門課跑進自己的系統）裡講得比較完整，這裡就不重複了。

一年半前，我以為我學的是一套思考方法。這次上完課我才看懂，我真正該練的，是怎麼用這套思考去指揮我手上的 AI，去翻我自己走過的路。知識愈來愈便宜，能把知識變成判斷力的人，反而會愈來愈稀有。我想，我會一直往那個方向走下去。