這篇紀錄我於 2026-01-23 在師大附中給高一高二數資班科學班的演講，主題是《人工智能世代的學習方法——如何善用 AI 工具，提升學習效率與未來準備能力》。從擁抱新世代的心態，逐漸縮小到長期的人生目標、中期生涯規劃，與短期可以馬上應用的學習方法。目標在 7 天內，讓至少兩成以上的學生實際動手，在 AI 輔助下建立屬於自己的「學習資料庫」，使學習不只停留在應付考試，而能長期累積、反覆轉用。

這場演講雖然發生在高中，但內容並不是「考試技巧」或「學生限定的升學建議」，而是一套在 AI 普及後，如何建立可長期累積的學習系統。如果你是大學生、研究生，或正處於職涯前期、正在面對快速變動的工作環境，裡面談到的學習結構、能力遷移與決策方式，依然適用。

人工智能世代的學習方法

這是一套學習觀的重構，不只是一份 AI 工具清單。而且這套方法不只適合高中生，對正處於職涯前期、需要快速學新領域的人也同樣適用。當天也有不同背景的聽眾在線上旁聽，回饋多半集中在「終於知道該怎麼整理自己的學習與經驗」。

新工具的出現，確實能大幅提升生產力；但如果使用方式不當，也可能悄悄吃掉我們最稀缺的資源——時間、注意力，與深度思考能力。是讓工具替人思考，還是讓工具放大思考？

這篇文章整理我在師大附中演講中分享的幾個核心主題，從學習心態談起，延伸到長期人生目標、中期生涯規劃，以及短期可以立刻實踐的學習方法。核心目標很單純：打造一套能隨時間成長、可反覆使用的個人學習資料庫，讓努力不再一次性消失，而能真正開始累積。

為什麼 AI 會改變「努力的意義」

我在學生時代很早就相信「學習是痛苦的，沒有痛苦就沒有學習」。在 2023 年以前，這些努力方式確實合理，也確實有效。但 LLM 服務普及化造成回報結構的改變，主要包含重複性練習會被模型吸收、固定格式解題的成本趨近於零，而資訊搜尋不再是稀缺能力。

如果兩個人都很努力，一個人在累積可重複使用的結構系統，另一個人在反覆做一次性任務，三年後的差距會來自哪裡？ AI 放大的不是知識本身，而是你如何選擇、組織與使用知識。

確保自己的不可取代性 (Irreplaceability)

在 2025 年夏天，有一份 Sam Altman 被 Cleo Abram 的訪談我覺得很值得聽，過程中提到在 AI 時代給子女教養的三大建議：學習、人性、協作。

首先是學習如何學習，能隨時更新自己，不被固定知識綁住。並且學會適應變化，面對對突如其來的逆境 (如疫情或戰爭)，也能快速調整。再來是理解人性，知道別人要什麼，並能創造對人有用的產品、服務，或解法。最後是與人協作和雨勢界互動的能力。第三個「協作能力」不只是團隊分工，而是溝通、共情與跨領域整合的能力

在 AI 普及後，凡是能被清楚定義為「輸入 → 規則 → 輸出」的工作，風險都顯著上升。這並不代表人會被取代，而是代表：只有停留在單一節點的人，最容易被取代。因此，確保不可取代性的關鍵，不是學會某一項技能，而是培養可遷移能力 (transferable skills)，並利用 AI 擴張自己的影響範圍，成為能橫跨上下游、理解整體結構的 π 型人才。

向職涯先行者們 (pioneers) 請益，借別人犯的錯來調整自己的人生

人生中許多關鍵決策，都帶著兩個高度不公平的限制決策時間很短，但回饋時間很長。往往只用幾天或幾週做出選擇，卻要花上兩到五年，甚至更久，才能知道結果。選錯的代價，從來不只是金錢，而是時間、信心，以及「我是不是浪費了幾年人生」的心理負擔。

舉例高中生最常會遇到的問題是大學沒考好，可能是沒上喜歡的科系，或是依據自己的能力沒上相當水準的學校。這時候應該繼續念、繼續念但準備轉學考、繼續念但準備重考，或是全職重考？這些選項背後的成本分析為何？然後又有多少時間可以下這個決定呢？問了 AI 之後這些答案可以怎麼驗證？甚麼時候才會知道選錯了？修正的代價是什麼？每一條路背後，都隱含不同的機會成本、風險分佈與心理壓力，而真正困難的，往往不是選項本身，而是沒有足夠的資訊去評估這些選項。

這也是為什麼，演講中特別強調「向職涯先行者請益」的重要性。先行者不是名人，而是比你早走那條路幾年、幾十年的人——可能是父母、學長姐、老師，或透過書籍與訪談接觸到的遠距離榜樣。人生只能活一次，但不代表每一個錯都必須自己犯。透過系統性地向先行者請益，理解他們踩過的坑與做過的選擇，我們能用別人的經驗，來校正自己的決策方向。

用 AI 協助探索未來方向，而不是替你選路

一定聽過也可能自己試過：把人生問題丟給 LLM，問我適合做什麼。這樣問通常會得到一個看起來合理但高度模糊的答案。問題不在模型，而是這個問題有開放的答案。比較好的做法，是把 LLM 當成一個暴露盲點、拆解選項、模擬後果的思考工具。

一個關鍵原則是先不要讓模型給建議，而是先讓它幫你問問題。可以先輸入你的背景、興趣、目前的迷惘。第二，明確要求模型只回答下面這類問題：1.目前的描述中最缺乏哪些資訊？2.哪些限制條件對結果影響最大？3.如果兩個人背景看起來很像，但走上完全不同的路，關鍵差異通常會是什麼？

第三步，做現實檢查。因為 LLM 天生偏向鼓勵與合理化，所以要刻意問一些不舒服的問題：1. 這條路最常見的失敗模式是什麼？2.對像我這樣背景與資源的人，最容易踩到的坑是哪些？3.這個建議成立的前提條件有哪些？如果其中一個不成立，會發生什麼事？4.如果三年後證明我選錯了，最小的止損方式是什麼？了解哪些選擇是可修正的，哪些是一次性賭注。

最後，你可以做一件很多人不會做、但非常有價值的事：把同一組資訊，用不同價值觀丟給模型。例如：1.請只站在極度保守、風險最低的角度回答。2.請只站在高風險、高回報的角度回答。3.請站在一個十年後回頭看我的角度回答。4.請假設我三年內一定會換跑道，再回答一次。會發現模型給的不是對或錯的答案，而是一組價值取向的鏡子。真正重要的，不是模型選了哪一條，而是開始看清楚：自己比較願意承擔哪一種風險，與哪一種後悔。

建立自己的學習資料庫：讓努力開始複利

大多數人現在的學習，都是短期地為了下週段考、下個月模擬考、明年大考。這樣學沒有錯，但它只回答了一個問題：「我怎麼撐過這一關？」。人生接下來會遇到的，其實不是考試，而是一連串從來沒被教過的挑戰。更麻煩的是，將來要面對的世界，變化速度會快到：很多現在存在的工作，可能步入職場時已經不見了。

所以真正重要的問題，其實不是「我會不會這一題」，而是：當我走進一個陌生的情境時，能不能快速學會我需要的東西？如果把知識當成食材，我們不該只當負責背菜單的知識小當家，而是要能從規劃、市調、採購、倉儲，到料理與行銷，真正把知識用起來、轉化成價值的餐飲業老闆。

影片與致謝

當天演講以 Zoom 畫面錄影與錄音，並搭配現場照片側拍，影片連結放在這邊。

感謝師大附中提供這次機會，讓我能回到成長的起點，與數資班與科學班的學弟妹分享這套在 AI 世代中逐漸成形的學習方法。

也特別感謝一路協助促成與執行的師長與同仁：王崑銘老師、師大附中廖純英校長、教務處蕭煜修主任、實驗研究組謝雨軒組長、巫莉妍幹事，以及協助當天行政與現場事務的曾敏瑄同學。謝謝您們讓這場分享能順利完成。

演講邀約

這演講其實不只適合高中生，一路到大學生、研究生、甚至職涯新鮮人我覺得都有幫助。我也不確定頂尖高中的特殊班學生們有沒有全部聽懂，但裡面有太多東西我感覺「要是我那時候知道就好了」，可能就不用自己摸索得這麼辛苦。

我目前仍以在 MIT 完成博士學業為主，這些演講並非商業課程，而是基於自身經驗的學習與生涯分享。若你在學校、教育或青少年相關單位工作，歡迎 email 交流 (edchen93@mit.edu)，未來回台時可再安排。

企業訓練也非常歡迎，但不會直接套用高中版本內容。通常會依對象 (新人、跨職能團隊、技術背景、非技術背景)、目標 (學習系統、決策能力、AI 協作方式) 重新調整案例與深度。若有相關需求，歡迎來信討論適合的切入角度。