一種很簡單的判斷方式
我後來用三個維度在看一個問題：
- 這個問題，有沒有標準答案？
- 如果做錯，代價是什麼？
- 你是在「組合已知」，還是「探索未知」？
當這三件事放在一起，其實就會自然分出四種完全不同的問題類型。
第一種：可以被 vibe coding 解掉的問題
這類問題有一個共同點：
結果是可以被想像的。
你知道你要做的是什麼樣的東西。
流程大致清楚。 錯了可以重來，成本很低。
所以這一層的核心不是工程能力，而是：
- 需求理解
- 拆解能力
- 試錯速度
AI 在這裡幾乎是完整放大。
因為本質上你在做的事情是：
把既有的能力重新組合。
這也是為什麼現在很多人可以做出：
- 工具型產品
- 自動化流程
- AI 包裝應用
- 簡單的 SaaS
它們看起來很強，但其實是在一個「高度可替代」的問題空間裡。
第二種：需要工程師 × AI 的問題
當東西開始要「長期運作」，問題性質就變了。
你會開始碰到：
- 系統穩不穩
- 架構可不可以擴展
- 資料會不會錯
- 效能撐不撐得住
這時候問題的關鍵變成：
不是能不能做出來，而是能不能做對。
AI 在這一層仍然有用，但角色很明確：
- 加速開發
- 補齊細節
- 提供解法建議
但它不會幫你做這些事情：
- 架構設計
- 系統邊界定義
- 長期 trade-off
這些決定，一旦做錯，是會累積成本的。
所以這一層開始需要工程師，
不是因為「會寫 code」， 而是因為 — — 能控制複雜度。
第三種：需要研究型工程師 × AI 的問題
再往上，有一類問題，其實沒有「已知解法」。
甚至你一開始不確定這題是不是成立。
這類問題的特徵是：
- 問題本身還在被定義
- 解法需要透過實驗慢慢逼近
- 成功與失敗都很難快速判斷
這時候關鍵能力變成：
- 問題定義
- 假設建立
- 實驗設計
- 結果解讀
AI 在這裡的價值是：
- 加速試錯
- 擴大搜尋空間
- 提供可能性
但方向，還是人決定的。
這一層其實已經不在做「產品」，
而是在處理 — — 未知。
第四種：只有頂尖學者在做的問題
最上層的問題，甚至還沒有清楚的描述方式。
他們在做的事情是：
- 建立新的理論
- 定義新的方法
- 改變問題被理解的方式
例如：
- 新的模型架構
- 新的學習 paradigms
- 對智能或決策本質的重新定義
這一層幾乎沒有「最佳實踐」，
因為實踐本身還沒被建立。
AI 在這裡仍然重要，但本質還是工具。
真正稀缺的是：
重新看待世界的能力。
一個我目前的結論
AI 並沒有讓所有事情變簡單。
它只是把一件事放大：
不同類型的問題，需要完全不同層級的能力。
你可以用 AI 快速跨進第一層，
甚至碰到第二層。
但當問題開始往上走：
- 需要負責任
- 需要定義方向
- 需要面對未知
分界線會變得非常明確。
最後
如果要很粗暴地總結：
- vibe coding 解的是「可組合的問題」
- vibe coding + 工程師解的是「可控制的複雜問題」
- vibe coding + 研究型工程師解的是「未被驗證的問題」
- 頂尖學者處理的是「尚未被定義的問題」
AI 讓每一層的人都更有效率。
但它沒有改變一件事：
問題的本質，決定了誰能解它。
而研究型以下的工程師將會逐漸消失
