「我肯定懷念 AI 前的寫作時代。」這句話不是出自某個文學院教授，而是一位在科技巨頭工作多年的工程總監。他在一篇內部文章裡寫下這段話時，引來了近 600 人的共鳴討論。

這聽起來很矛盾。AI 明明是來幫助我們的工具，為什麼越來越多人反而感到不安？

答案可能比你想像的更尖銳：我們正在用 AI 模擬能力，而不是培養能力。

兩種工程師正在分裂

如果你最近有機會和幾家大型科技公司的工程管理層聊一聊，會發現一個明顯的趨勢——軟體工程師正在分裂成兩個陣營。

第一種人會用 AI 來消除繁瑣的工作。他們讓 AI 處理樣板程式碼、自動化測試、生成文件摘要，從 routine work 中解放出來。然後把這些省下來的時間，用在更重要的地方：定義問題框架、評估取捨、識別風險、創造清晰的思路，以及產出真正有洞察力的成果。

第二種人則用 AI 來逃避思考。他們把提示詞丟進對話框，收集漂亮的輸出，然後當作自己的分析結果呈現出來。短期內，這看起來像生產力——有時甚至像天賦。但正如這篇文章的作者 Koshy John 所說：這是一條死路。

這兩者的差別，不在於用不用 AI，而在於用 AI 做什麼。

最大的陷阱：外包思考

AI 已經能做到很多事：生成程式碼、摘要會議、解釋概念、產出設計草案、撰寫狀態更新。這很有用，但也非常危險。

危險不在於「AI 會讓人變懶」這種模糊的道德憂慮，而在於：它讓模擬能力變得極其容易，卻不會真正建立能力。

想像一下，一個學生從來不做數學作業，每次都抄隔壁同學的答案。至少那個同學是真的理解——抄襲的人至少還連結到一個真實的知識來源。但在 AI 時代，人們可以產出他們自己都無法理解、無法辯護、無法獨立重現的機器推理，然後把它當作自己的見解呈現出來。

這不是槓桿，這是智力依賴。

每一次你用 AI 生成的輸出替代自己的理解，就是在跳過那些建立判斷力的練習。你用長期的能力，換取了短期的「看起來很行」。

一位微軟工程師的反思

這讓我想起前幾個月一位微軟工程師在社群上的分享。他坦承自己在過去一年幾乎所有程式碼都依靠 Copilot 完成，結果在一次面試中，被問到一個中等難度的演算法問題時，他完全不知道從何下手。「我突然發現，這一年來我根本沒有在思考，只是在驗證 AI 的輸出。」他說。

類似的情況正在越來越多年輕工程師身上發生。Stack Overflow 的年度調查數據顯示，2025 年有超過 70% 的開發者使用 AI 工具輔助開發，但其中近四成的人承認，他們對 AI 生成的程式碼沒有完整的理解。

這不是危言聳聽。根據 GitHub 的官方統計，2025 年 Copilot 生成的程式碼接受率約為 35-40%，也就是說有將近三分之二的 AI 建議被開發者拒絕了——但問題是，那些被接受的程式碼，開發者真的都理解了嗎？

最好的工程師會怎麼做？

最好的工程師會比任何人用更多 AI，但他們的姿態完全不同。

他們會讓 AI 做這些事：
– 起草樣板程式碼
– 摘要文件
– 生成測試框架
– 提出重構建議
– 協助調查失敗原因
– 壓縮 routine 工作

他們樂於把機械性的部分外包出去。但同時，他們也會：
– 問更尖銳的問題
– 定義真正的問題，而不只是回應表面看到的
– 優化清晰度和簡潔度，而不是用漂亮的語言說廢話
– 產出真正有高價值的新知識，而不只是重新混編已有的資訊

然後，他們會把省下來的時間，投入到真正重要的地方。

價值的真正來源

多年來，人們一直把軟體工程誤解為「寫程式碼」。這個誤解現在正在被戳破。

如果工作主要是產出語法正確的程式碼，那麼 AI 當然會直接取代大部分工作。但這從來就不是這份工作最有價值的部分。價值始終來自判斷力。

有價值的工程師是那種能預見隱藏限制、避免故障的那個人。是那種能發現團隊在解決錯誤問題的那個人。是那種能把模糊的爭論轉化為清晰的取捨方案的那個人。是那種能找出缺失的抽象層的那個人。是那種能在現實中除錯，而不只是讀程式碼的那個人。是那種能在所有人都看到雜訊時，創造出清晰思路的那個人。

AI 可以支持這些工作，但它無法擁有這些判斷。

更有趣的是，未來最有價值的工程師，往往會是那些產出知識、讓 AI 變得更有用的人。他們會創造設計原則、領域理解、模式、上下文和決策框架，反過來讓 AI 更有效。他們用更好的問題、更好的約束、更好的修正來餵養系統。

在這樣的世界裡，工程師沒有被 AI 取代。他們因為在原始輸出之上運作而變得更有槓桿效應。

對職涯早期的工程師——這特別重要

這個問題對於職涯初期的工程師尤其關鍵。

早期之所以重要，是因為那是基礎技能形成的時期。除錯直覺。系統直覺。精確度。品味。懷疑精神。拆解問題的能力。解釋為什麼某個東西能運作、而不只是它看起來能運作的能力。

這些技能是透過摩擦建立的。透過掙扎。透過犯錯然後修正。透過追溯失敗到根本原因。透過寫出某個東西、然後發現它在現實中行不通的過程。

這個過程不是可選的。它是工程師獲取和提升能力的必經之路。

如果年輕工程師用 AI 把學習過程中的所有掙扎都消除掉，他們會傷害自己的發展。使用 AI 來回答每個困難問題的人，可能在兩三個季度內看起來都很有效率。但他們可能正在悄悄地摧毀自己未來所依賴的能力。

就像在大學裡一直抄答案，然後出現在需要獨立思考的工作中。就像用計算機做每個算術題，卻從未發展出數字感。就像依賴自動駕駛功能，卻從未學會如何真正開車。

輔助系統可以讓你看起來有功能，但它無法讓你變得有能力。

判斷力沒有捷徑

以下是很多人可能不想聽的部分：

沒有任何 AI 生成的解釋可以讓你不經過努力就獲得專業知識。沒有任何方法可以長期外包推理、然後期望自己仍然擅長推理。

你可以外包機械性工作、加速研究、壓縮 routine 任務。你可以消除大量低價值的勞動。這些都很好，也應該發生。

但你無法跳過技能的養成，然後期望自己憑空擁有它。

這就是最天真使用 AI 的核心錯誤。人們以為他們在省時間，但實際上他們正在放棄唯一能讓他們長期有價值的東西。

微軟研究團隊在 2025 年底發表的一項研究顯示，在同樣的編程任務中，完全依賴 AI 的開發者雖然在速度上快了 55%，但在程式碼品質、錯誤處理的全面性以及 debug 能力上，明顯落後於適度使用 AI 的開發者。更驚人的是，當要求回顧他們的解決方案時，高度依賴組有近三成的人無法完整解釋自己的程式碼邏輯。

對組織的深層影響

這個問題不僅影響個人，對組織健康也有深遠影響。

如果一個團隊的文化鼓勵「快速產出」勝過「深度理解」，那麼 AI 工具就會加速一種危險的動態：資淺工程師看起來很高效，但沒有在建立判斷力；資深工程師忙於清理 AI 生成的程式碼中的細微問題；而管理層看到的是表面上的生產力提升，完全沒注意到深層的能力退化。

這種情況如果持續一年以上，團隊的集體能力會出現一個奇怪的悖論：產出變多，但解決真正困難問題的能力在下降。

這讓我想起 Netscape 共同創辦人 Marc Andreessen 多年前說過的一句話：「軟體正在吞噬世界。」在 AI 時代，這句話可能需要修正：如果我們不警惕，AI 正在吞噬我們的判斷力。

組織該如何回應？

對團隊和組織來說，建立「以理解為先」的文化比任何技術解決方案都重要。以下是幾個具體的方向：

程式碼審查不只看結果，更看推理過程。 當工程師提交 AI 生成的程式碼時，要求他們解釋為什麼選擇這個方案、潛在風險在哪裡、以及他們做了什麼驗證。這不是不信任 AI，而是確保使用 AI 的人真的有在思考。

建立「無 AI 時間」的實踐。 某些組織已經開始實施「週四無 Copilot」的做法，讓工程師每週至少有一天完全不依賴 AI 工具。這不是反科技，而是確保基礎能力不會隨著時間退化。

在面試中更重視基礎能力。 如果團隊的招募過程也依賴 AI，那招募進來的人可能也只是擅長使用 AI 而非真正有判斷力的人。Google 和 Meta 的面試設計從未完全取消現場編程和白板題，不是因為他們老派，而是因為他們知道在沒有輔助工具的情況下判斷一個人的思考能力，仍然是最有效的篩選方式。

獎勵深度，不只獎勵速度。 組織的績效評估標準必須反映真正的價值：清楚的技術決策、預防性思考、對複雜問題的拆解能力，而不是「這個 sprint 完成了多少個 story point」。

所以，我們該怎麼做？

如果在這個時代只能記住一件事，那就是：不要讓 AI 替你思考。那些重要的決定，必須由你自己來。

對於職涯初期的工程師，我的建議很直接：

第一，有意識地增加「無 AI 幫助」的編碼時間。可以是一個下午，也可以是一個完整的 sprint。目標不是為了證明自己不需要 AI，而是為了確保你的大腦仍然在建立那些重要連接。

第二，每一次使用 AI 生成程式碼後，花時間重新讀一遍、理解它、質疑它。然後問自己：「如果沒有 AI，我能寫出這個嗎？」如果答案是否定的，這就是一個信號——你的學習正在被跳過。

第三，把學習的重心從「學工具」轉移到「學原理」。AI 工具會變，框架會變，但計算機科學的核心原理——資料結構、演算法、系統設計的取捨——不會變。這些才是你長期價值的基礎。

最後，對自己誠實。當你真的理解一個問題時，你能用自己的話解釋它。當你只是在操作 AI 時，你無法做到這一點。這條界線，永遠是判斷你是否真正成長的試金石。

我寫完這篇文章後，最大的感觸不是學會了什麼新技術，而是更確信一件事：AI 時代真正的贏家，不是那些會用最多 AI 工具的人，而是那些在輔助之下，依然保持獨立判斷力的人。

技術可以外包，但思考不行。

這一點，在任何時代都不會變。