Day 8｜AI 時代最重要的，是判斷力和品味

AI 時代最重要的東西是什麼？

我的排序是：品味＝判斷力 > 提問能力 > 動手做的意願。

提問和動手當然都重要。但當 AI 能幫忙做的事情越來越多，從整理資料、研究問題到執行任務，接下來要面對的就是：這些產出裡，哪些值得採用？哪些還不能相信？現在應該先把哪件事做好？

我同時進行很多專案，也常常在不同領域之間切換。這種工作方式讓我越來越在意一件事：每件事情都要有自己的度量衡。否則，東西做出來了，我卻沒有標準判斷它到底好不好。

現在一個人可以靠 AI，把自己能處理的工作擴展到接近一個團隊的範圍。能做的事情多了，取捨也跟著變多。

AI 可以繼續往下寫、繼續列方案、繼續補資料，但我的時間和注意力有限。哪些事情會影響接下來的決定，必須先弄清楚？哪些只是局部修飾，可以晚點再做？這個順序還是需要自己判斷。

所以我說的品味，也包含對完成度的要求：什麼樣的成果，我願意拿來用？哪些地方看起來已經完成，其實還差一段？

前一天分享的旅遊手冊，就是很具體的例子。

我用 AI 幫朋友做旅遊手冊，原本以為很簡單，結果光是圖片裡的文字就很難控制。改好一個字，其他地方又壞掉，圖片還越改越糊。後面又碰到印刷解析度不足，最後還有色差。

如果只把「有一張圖片」當成完成，這件事早就可以結束。但我要的是一本能印出來、交到朋友手上的手冊。文字、清晰度、印出來的顏色，都會影響它能不能用。

這次經驗讓我更能理解，為什麼影印店和設計師有他們的專業。自己一路做下來，才發現成品裡有那麼多需要判斷的細節。AI 能生圖以後，這些要求仍然得有人看得出來。

我的工作常常是前一刻還在討論硬體，PCB 怎麼 placement，下一刻就跳去排查 Cloudflare 上的 DNS 問題。

這些領域的知識差很多，不能拿同一套答案到處用。每次切換，都要很快抓住目前的問題、理解限制，再決定接下來往哪裡查。

跨領域工作也讓「聽起來合理」變得不夠。AI 給了一段完整的解釋，我還是需要知道，它是在什麼條件下成立？跟我現在面對的情況有沒有對上？如果照著做，能解決眼前哪個問題？

拿原本的例子來說，討論 PCB placement，得回到這塊板子要滿足的條件；排查 DNS，得回到實際看到的現象和查詢結果。名詞不同，判斷時都需要先把問題範圍弄清楚。

這也是我把品味和判斷力放在一起的原因。我需要知道好的結果應該長什麼樣子，也需要知道目前有哪些證據，足以讓我往那個方向做決定。

同時做很多專案，不能每件事都用同樣的力氣處理。會影響方向的問題，要先釐清；不影響當下決定的細節，可以先放著。能分出這個差別，才有辦法安排自己的注意力。

我的方法是第一性原理，再搭配實驗結果分析 AI 的產出。

第一性原理對我來說，就是先回到問題本身：到底要解決什麼？哪些條件已經知道？哪些只是暫時採用的假設？把這些拆開，才知道後面的結論是建立在哪裡。

不管 AI 交來的是報告、研究還是整理，我都要求留下論證的過程。資料支持了什麼、從哪裡開始是推測、為什麼建議這個做法，都要說清楚，由於很多時候決策是在不熟悉的domain knowledge 之上，基於結果的判斷更能直接的看出有沒有真正解決問題，還是只是又衍生另一個問題。

一段說明寫得很順，讀起來容易接受，但我還是得把它拿回實驗結果對照。實際結果支不支持這個解釋？如果不支持，哪個假設需要重看？

前面的旅遊手冊也可以用這個角度理解。圖片在螢幕上看起來如何，和最後印出來如何，是需要分別確認的事。處理完解析度，色差的問題仍然存在；解決其中一項，不能直接當成整本手冊已經沒問題。

我希望 AI 的報告也能讓我做這種檢查。當它說問題解決了，我要知道確認的是哪一部分、用什麼方法確認，以及還有哪些地方沒有驗證。

把依據留下來，也方便下一步繼續討論。如果結論有問題，可以回到有疑問的那一段補資料或重做實驗。只留一句答案，就很難知道該從哪裡重新檢查。

請 AI 說明結論的依據、採用的假設，以及可以怎麼驗證，再逐項檢查。

可以直接這樣問：

這個結論依據哪些資料或實驗結果？哪些部分還是假設？請說明關鍵的推導步驟，並給我可以實際檢查的方法。

拿到說明之後，還是要回到資料和結果。AI 多寫了一段解釋，不代表那段解釋就已經被驗證；重要的是，要用證據/數據說話。

這也讓提問能力有了具體方向。知道自己在檢查什麼，就比較能問出缺少的條件、還沒確認的假設，而不只是請 AI 再寫詳細一點。

從 PCB、DNS 到一本旅遊手冊，我在意的是同一件事：手上這份成果，到底憑什麼可以採用？AI 能協助的範圍越大，我越需要保留這個判斷，決定哪些已經夠好，哪些還要繼續查。