AI 能幫你找到答案，但找不到你不知道該問的問題。我在跟 AI 協作的過程中，重新發現了一件事：思考力才是這個時代最稀缺的資源。
裝傻狂問、不畏權威
我在開發 AI 工具的時候，無意間看到了過去那個學霸的自己。
當我跟 AI 互動的時候，我把自己換成學習者的角色。互動過程中，我發現自己下意識地會一直追問，耐心地看它給的回答，從裡面找到有問題的地方再繼續追問，瘋狂請它用各種方法解釋——甚至請它用國中生能聽懂的方式跟我講。
其實我根本知道答案是什麼，也知道它哪一部分的邏輯推錯了。但就是要透過裝傻、追問、抽絲剝繭、不畏權威的態度，才能讓 AI 產出真正正確的東西。
回想起來很感慨。很多人在學習的過程中，面對老師的權威，常常是老師說什麼就是什麼，不會去質疑，也不會說「我聽不懂，麻煩換一個方式講」。而有些老師也許隱約知道自己說錯了，但拉不下臉來修改，最後只能用權威維護面子。師生的關係不是互相精進，而是單方向灌輸。到最後我們成了只聽不問的學生，學習效果怎麼會好？
但現在有了 AI，它絕對不會不耐煩，也不會累。你請它用 10 種、20 種方式換著解釋，它都不會厭倦，它甚至勇於承認自己在分析中犯的錯誤。只要你願意改變態度，願意窮追不捨地發問，耐心地看它的邏輯，你會發現你學得比過去求學生涯中學到的還要多。
記住：裝傻狂問、耐心聆聽、抽絲剝繭，最重要的是不畏權威。
費曼學習法 + AI = 最強檢討術
傳統的學習檢討是什麼樣子？做完題，對答案，錯了看一下詳解，喔懂了，翻頁。兩個月後再考，成績一模一樣。
後來我發現，那根本不是在檢討，那只是在「看答案」。看完詳解就覺得自己會了，其實什麼都沒學到。唯一得到的，就是大腦獎勵系統釋放的多巴胺，跟刷短影音沒兩樣。
我後來找到一個方法，跟費曼學習法不謀而合。費曼學習法的核心是：用簡單的語言向沒有相關背景的人解釋一件事。如果你解釋得支支吾吾，那就代表你其實不懂。
我的做法是把思路講出來並錄音。從讀題開始，一步一步講我怎麼理解、怎麼排除、為什麼選這個。講到某一步講不下去了，那個斷點就是問題所在。
然後，拿那個斷點去問 AI。不用整個重頭來過，精準針對那個卡住的點就夠了。AI 會幫你拆解那個斷點的邏輯，給你不同角度的解釋，直到你真的通了為止。
這跟看詳解差很多。詳解只告訴你答案是 B，不會告訴你是在第幾步開始歪掉的。
我把它比喻成：你剛加入一個專業球隊，先看標準的投球姿勢，然後把自己的動作錄下來，用慢動作跟專業人士做對照。這樣的進步才是踏實的。
回來聽自己的錄音，你會發現很多地方講解是卡頓的，有些地方含糊沒有邏輯、思維跳躍。而那些地方，就是你需要去學習的地方。重新學完，再重新錄音、重新解釋，直到整段流暢為止。這就是費曼學習法的完整循環。
未來需要的不是知識，是批判思維
傳統商學就業職位在快速縮編。Data Analyst 首當其衝，傳統的 Marketing、HR 也都在危險區。雇主跟學校漸漸把「如何跟 AI 協作」當作未來的重點考核項目。
但你回頭看現在的標準化考試，跟 AI 能力的直接相關性其實不高。這些考試注定是落後於時代的，如果再不改革，只是改短改簡單試圖搶對手的生意，遲早會被淘汰。
我盤點了一下，什麼能力在 AI 時代關聯性最高：
資料充分性——有助於在跟 AI 協作時，在 prompt 中給出充分的資料。你得知道什麼資訊是重要的，什麼是缺失的。
批判式推理——有助於驗證 AI 過度樂觀或悲觀的偏見推論。AI 會一本正經地胡說八道，你得有能力看出來。
整合推理、圖表判讀——需要在大量資料中做對照，驗證 AI 的產出是基於事實，還是出自幻覺。
相對不那麼重要的呢？長文閱讀理解——長文都可以靠 AI 摘要加問答了。純數學計算——現在的模型可以自動調用工具，計算不是問題。
所以我大膽預測，未來的考試跟能力評估會導向「與 AI 協作的情境」。不是考你記得多少知識，而是考你能不能在一個複雜情境中，給 AI 正確的指令，然後批判性地審視它的產出。
專注產品，不要專注對手
有人問我：「你遇到同業一直針對你的時候，是怎麼撐著的？」
好像沒有什麼「撐」的感覺。因為我如果把時間花在跟他鬥、跟他比，那就是變成我「在乎對手」大於「在乎用戶」。
我的時間都花在開發產品上了。你說把時間花在這裡，是不是比花在跟同業比有意義得多？
這個態度放在 AI 時代更是如此。與其焦慮 AI 會不會取代你，不如把時間花在搞清楚自己能做什麼 AI 做不了的事。與其焦慮別人用 AI 比你快，不如把時間花在想清楚你要用 AI 做出什麼。
思考力不是天賦，是態度。裝傻狂問是態度，費曼學習法是態度，批判式推理是態度，專注產品也是態度。
AI 不會取代你的思考。但它會暴露你不會思考。