AI浪潮下，跨領域思維的必然

✎ 【國立陽明交通大學 工業工程與管理系 】賴學儀 教授    |   2026-05-10 

 生成式 AI——由巨量資料中誕生之智慧

        近年 AI 的快速崛起，主要來自兩大因素：演算法理論的成熟，以及算力的產業化。從早期基於統計的回歸模型，到類神經網路的深度學習，再到近年被各大科技公司採用的 Transformer 架構，演算法發展可謂百花齊放。再加上政府與產業大量投入資源，使算力得以規模化，AI 模型得以從幾乎涵蓋人類知識的資料中學習其內在規律，因此我們習慣以「學習」一詞描述 AI 的訓練過程。

        然而正因為現代 AI 多屬於基於資料的歸納學習，主流觀點與經反覆驗證的知識，在訓練過程中往往具有更強的訊號，因而更容易被模型學習與再現；這也使得 AI 在某些領域率先展現強大能力，例如程式語言的撰寫；網路上大量開源程式碼、套件文件，以及程式語言本身高度結構化且不容錯誤的特性，使 AI 能迅速掌握原本需數年累積的技能。對於非電腦科學背景的使用者（如筆者本人），這種體驗宛如「麻瓜*1掌握魔法」般令人驚艷。在筆者撰寫本文之際，一段原本預估需一週完成的資料分析程式，AI 僅經兩次嘗試便完成雛形；AI 的使用也逐漸成為一種全民運動，學生常駐的網頁從過去的 Google 搜尋，引擎轉變為大型語言模型的對話介面。原本需數週理解的專業論文，如今也能被快速整理與重述。因此，前述教學現場的變化，亦逐漸成為常態。

AI 狂熱的陰暗面：思考外包

        AI 所展現的能力令人驚艷，使人們能以極低投入獲得高產出，這在教學現場尤為明顯。然而思考能力的養成，通常來自知識的逐步內化與重組，透過連結不同知識元素，建立起長期記憶中的知識網絡（有時被視覺化為心智圖），是形成思考直覺與神經連結的重要過程。此外，亦有觀點認為語言能力界定了思考的邊界，因此筆者在指導研究生時，常戲稱科學思考的起點其實是國文與表達能力；因為精確描述抽象概念，是批判性思考與釐清知識關係的關鍵，而將模糊概念逐步語言化的過程，也往往是理解深度的分水嶺。

        然而，生成式 AI 的過度使用，使這一過程被大幅簡化甚至跳過。思考的外包，使得原本應存在於「腦內」的認知活動顯著減少；更令人憂心的是，這種現象在碩士甚至博士培訓階段已屢見不鮮。儘管 AI 能協助學生快速產出大量資訊，但筆者觀察到，許多學生逐漸淪為 AI 內容的傳聲筒，甚至以 AI 生成內容作為論述基礎。更深層的問題在於，基於歸納學習的生成式 AI，雖在知識覆蓋與主流觀點上具備相當水準，但其在深層推論與創新洞見上，仍難以達到人類專家的程度。因此，思考外包的結果，不僅使學習者難以建立直覺，更可能削弱其辨識真實資訊與 AI 幻覺*2之能力。

 領域邊界的消融與跨域思考的必然

        生成式 AI 在知識廣度與成熟知識掌握上的優勢，對於注意力、記憶與時間皆有限的人類而言極為明顯；某種程度上，大型語言模型更接近「通才」。當基礎知識變得唾手可得，其代價僅需低廉訂閱費時，由知識所構築的專業護城河正逐漸瓦解。首當其衝的領域之一即為程式設計，而對於文本資料充足的領域，一般人亦能透過 AI 快速建立基礎理解。在這個知識普及化的時代，單純依賴固化知識的專業能力，可能被快速邊緣化。例如，Google DeepMind 開發的 AlphaFold 能預測蛋白質結構（其團隊於 2024 年獲頒諾貝爾化學獎）*3，開啟藥物與疫苗設計的新可能性；日本新創 Sakana AI 則展示 AI 產出學術論文並通過頂尖學術會議之審查流程的能力*4，該成果甚至已發布於權威期刊Nature當中；在日常生活中，「Vibe coding」等 AI 應用教學也快速擴散，彷彿人人皆可成為工程師。

       在這樣的時代，傳統「用功苦讀」的教育模式或許需重新思考。人類難以與能快速處理巨量資訊且持續學習的 AI 競爭知識廣度。因此，數學家陶哲軒（Terence Tao）曾指出，人類應更重視對 AI 結果的判斷與驗證能力，而非僅依賴其生成結果*5。筆者進一步認為，在當前 AI 架構仍難以穩定進行深層演繹推理的情況下，由演繹能力驅動的跨領域思考，將成為人類脫穎而出的關鍵；也因此Nvidia執行長黃仁勳在日前接受訪問時提到關於未來建議學習的學科，令人驚訝地並非電機、資訊…等熱門工程學科，而是科學、數學、物理…等著重邏輯思考的學科。總結來說，AI 對知識與生產力的放大，反而為人類提供了跳脫重複性競爭與知識焦慮的機會，使人們得以將時間投入於更高層次的思考之中。

1.  麻瓜: 意旨《哈利波特》系列中指稱沒有魔法能力的普通人類。

2. AI幻覺: 意旨生成式 AI生成內容時產生錯誤、邏輯不通或是虛構的資訊，而這些資訊卻往往被AI一本正經且嚴肅的敘述著，造成對相關領域不熟悉的使用者誤信。

3. AlphaFold: https://www.nobelprize.org/uploads/2024/10/advanced-chemistryprize2024.pdf

4. Towards end-to-end automation of AI research: https://www.nature.com/articles/s41586-026-10265-5

5. 《Can AI help us solve the hardest problems in Math?》:https://open.spotify.com/episode/4bRY4MmwS2JQwAugAeJxUr