我最喜歡的一句關於 AI 的話，大概就是：
「AI 能發揮出來的效能，跟自己的能力成正比。」

如果把 AI 想像成能讓每個人的能力提升 N 倍，其實很多現象就能被合理解釋了。以下整理一下我的想法。


能力與差距

AI 出現後，很多人能做到以前做不到的事。
有人可能會覺得這樣能縮小「會的人」和「不會的人」之間的差距，但如果「AI 效能取決於使用者的能力」是真的，那麼結果其實相反 —— 差距會被拉得更大。

社會需求水準

乘法的力量很驚人，當 AI 讓更多人達到過去只有少數人能做到的水準時，社會（或公司）對工程師的需求標準卻暫時沒有明顯提高，所以現在反而是個輕鬆又有很多機會的時期。

但這只是過渡階段，遲早社會需求會「AI 前提化」，要求水準一定會被推高。到時候如果過度依賴 AI，反而可能害到自己。
而且就算需求水準提高 N 倍，薪水不會跟著 N 倍，所以此刻仍是機會期。

N 倍的 N 是固定的嗎？

不是。對不同的人，可能是 3 倍，也可能是 5 倍。
這個參數取決於你花多少心力去學習 AI。

學習曲線通常是前期成長快，後期趨緩。而大部分人現在還在 AI 學習的初期，所以只要稍微投入，就能快速拉高 N。
因此，如果要提升「個人能力 P × AI 放大力 N」的總合實力，現在投資在學 AI 是最有效率的。

不過我也認為 N 的上限其實不會太高，所以這條路終究會遇到瓶頸。反之，P 幾乎是無限可成長的，最後還是得回歸到「提升自身能力 P」這件事。

換句話說，現在看起來學 AI 的人（拉高 N）能超越本來能力強的人（P 高），但這只是因為大家還在初期。到頭來，P 才是根本。
尤其是如果有人還停留在 N=1 的狀態，那未來一定無法競爭。P 與 N 要一起平衡成長才行。

AI 時代的工程師該學什麼？

我長期都在做工程師教育相關的工作，所以這 1、2 年一直在思考：在 AI 時代，初學者工程師到底該學什麼？

我逐漸覺得答案浮現了：
「因為有 AI 就不用學習」絕對是錯的。

因為 0 乘上任何數還是 0。

反過來說，只要意識到 N 倍效應，就能反推在不同工作需求下，需要多少 P。
例如我 Python 不是特別強，但現在聽到一些案子時，會覺得有 AI 幫忙應該能搞定，所以本來會拒絕的 Python 案子現在也能接。
但像 Unity 這種我完全沒碰過的，就算有 AI 也沒辦法。AI 能擴大選擇範圍，但不能憑空創造實力。

學習容量與策略

人的學習容量有限。過去「學習容量 ≒ 能力容量」，現在因為 AI 出現，能把學習容量放大 N 倍，這是很棒的事。
但同時，如何分配學習容量的策略也要徹底改變。

我認為基本戰略應該是：「廣泛涉獵 + 至少一個深入」。
如果全部都只學皮毛，很多東西永遠到不了；但如果專精的領域選錯（例如追風口的框架 React、或特定廠商技術 AWS），可能很快就過時。這些東西只要有 AI，其實不用太高的 P 就能達標。

因此我建議：

廣泛涉獵，確保能接到大部分需求水準不高的工作。

至少深入一個「相對穩定」的領域。

如果有餘力，學一些電腦科學基礎，這會讓其他學習效率全面提升。

最終來看，AI 時代該學的東西，跟以前差別其實不大。當大家都有 N 倍加持時，最後決勝點還是 P。

AI 做不到的事：練習

AI 能幫助學習，但無法取代「練習」。

工程師很像運動員，如果沒有實戰練習，是不可能成為優秀工程師的。
就像光看再多棒球或足球的教學影片，如果不上場練習，技術也不會提升。

未來會有很多人把「AI 幫忙完成」誤認成「自己實力」，這很危險 —— 對本人和用人的公司都是風險。

下一步想研究的問題

如何在有 AI 幫助的前提下，高效率地「練習」？

如何測量「N 倍之前的 P」？