--- title: "AI 時代的去學習：拋開陳舊前提，重新學習的方法" locale: zh-hant category: how_to category_name: "操作教學" translation_status: reviewed license: cc_by author: "injoys" source_url: https://injoys.com/en/articles/unlearning-in-the-ai-era published_at: 2026-07-29T05:29:15+09:00 --- # AI 時代的去學習：拋開陳舊前提，重新學習的方法 > 去學習並非強迫自己遺忘知識，而是找出已不再有效的前提與工作方式，並降低其影響力的過程。本文說明如何驗證陳舊前提，透過小規模實驗，以新的判斷標準加以取代。 ## Key Points - 去學習並非刪除記憶，而是重新驗證既有知識仍然適用的條件。 - 職務技能的半衰期並非標準化的單一統計數據，因此不應將特定年數當作普遍事實使用。 - 有效的轉型是透過去學習、重新學習與新學習的循環來實現。 - 與其立即廢除既有方式，不如透過小規模實驗，比較新方式的效果與風險。 - 即使 AI 能生成資訊，設定目標、判斷脈絡、驗證，以及對結果負責的責任，仍由人與組織承擔。 如果持續學習新技術，卻仍擺脫不了落後的感覺，問題可能不在學習量，而在於腦中殘留的過時前提。在 AI 與自動化迅速改變工作流程的環境中，除了增加新知識的能力，也需要重新檢視既有知識適用範圍的 **去學習（unlearning）**。 ## 什麼是去學習 去學習並不是徹底抹除已學過的內容，也不是讓過去的經驗變得毫無價值。它是**檢視曾經有效的知識、習慣或前提在當前情況下是否依然有效，並避免不再適用的部分繼續主導決策的過程**。 例如，過去由人從頭撰寫所有報告，可能是合理的做法。在可以使用生成式 AI 的環境中，可以改變草稿撰寫流程，但事實查核與核准責任並不會因此自動消失。去學習不是廢除整套既有流程，而是重新區分哪些工作可以自動化，以及哪些工作仍應由人負責。 ### 去學習與遺忘的差異 | 區分 | 意義 | 結果 | |---|---|---| | 遺忘 | 不論是否出於本意而失去記憶或資訊的現象 | 可能在需要時無法運用既有知識 | | 廢棄 | 決定不再使用特定資訊或流程 | 若沒有替代方案，可能造成工作空缺 | | 去學習 | 重新檢視既有知識的前提與適用條件 | 可以保留有效部分並替換過時部分 | | 再學習 | 在改變後的環境中重新掌握核心概念或技術 | 依照新標準重組既有經驗 | ## 為什麼去學習在 AI 時代很重要 ### 職務所需的技能組合快速改變 在世界經濟論壇的《Future of Jobs Report 2025》中，參與調查的雇主預計，從 2025 年至 2030 年，勞工現有技能組合中約有 39% 將會改變或落伍。這並不代表所有技能都會以相同速度消失，而是表示許多職務所需技能的組成與重要性很可能發生變化。 人們常以「技能半衰期」形容職務技能的市場價值減半所需的時間。然而，這項數值會因職業、技能、產業與衡量方式而有很大差異，也不是共同的國際標準指標。因此，與其把「所有技能的半衰期都是 5 年」或「AI 技術是 2 年」之類的說法當作普遍事實，不如將其視為說明變化方向的比喻或有限的估算，這樣更為準確。 ### 新工具改變既有流程的前提 工作流程通常是以當時的成本與技術限制為前提而設計的。典型例子包括：在搜尋需耗費很長時間的時期制定的調查流程、以面對面工作為基礎設計的核准體系，以及以人員撰寫所有初稿為假設的製作流程。 當 AI 能支援搜尋、摘要、翻譯、程式碼與文件初稿撰寫時，這些前提中的一部分便會改變。但這並不表示所有既有流程都會失效。即使工具改變，仍有一些條件必須維持，例如個人資料保護、著作權、安全、事實驗證與最終責任。 ### 知道得更多與判斷得更好並不相同 AI 能迅速提供許多選項，但不會決定哪個選項符合組織目的，也不會決定應承擔多少風險。判斷產出是否符合事實、是否對使用者有幫助，以及是否遵守法律與組織政策的責任，也不會自動轉移。 因此，AI 時代的能力難以僅用資訊持有量來說明。還需要具備以下能力。 - 準確定義問題與目標的能力 - 驗證來源與依據的能力 - 區分重要資訊與不必要資訊的能力 - 反映組織與使用者脈絡的能力 - 說明結果並承擔責任的能力 ## 去學習、再學習與新學習的循環 去學習並不是可以單獨完成的活動。放下既有前提後，必須重新理解核心，並將新方法連結到實際工作。 | 階段 | 核心問題 | 主要活動 | 產出 | |---|---|---|---| | 去學習 | 哪些不再是事實或必要條件？ | 識別前提、檢視適用條件、分析例外 | 應中止、維持、驗證的項目清單 | | 再學習 | 不變的目的與原則是什麼？ | 重新定義目標、確認最新依據、修正標準 | 新的判斷標準與工作原則 | | 新學習 | 運用新工具與條件可以創造什麼？ | 實驗、衡量、回饋、設計流程 | 經驗證的新工作方式 | 這三個階段並非直線流程，而是不斷重複的循環。新方法也會在環境改變時再次成為檢視對象。 ## 實行去學習的 6 個步驟 ### 1. 尋找變化的訊號 若反覆出現下列現象，就有必要檢視既有方式的前提。 - 投入時間增加，結果品質卻沒有改善。 - 導入了新工具，但工作步驟與過去完全相同。 - 規定、技術或使用者需求已經改變。 - 成員無法說明流程的目的，只是遵循慣例。 - 相同的錯誤或返工反覆發生。 ### 2. 將隱藏的前提寫成句子 把隱藏在流程背後的信念轉化為具體句子。應避免使用「本來就是這樣做」這類無法驗證的說法。 例如： - 好的報告必須由人從頭到尾親自撰寫。 - 必須長時間參加會議，才能理解工作脈絡。 - 管理者必須比成員更了解所有實務工作。 - 文件越長，就代表經過越充分的檢討。 ### 3. 區分事實、假設與偏好 將每個句子分為以下三類。 - **事實：** 依據目前證據可以確認的內容 - **假設：** 僅在特定條件下成立，或尚未驗證的內容 - **偏好：** 個人或組織想要的方式 若將偏好當作事實，去學習就會變得困難。相反地，若把法律義務或安全標準誤認為單純慣例而加以取消，則可能造成風險。 ### 4. 確認適用條件與有效期限 確認既有方式形成的時間、當時要解決的問題，以及當時可使用的工具。接著詢問目前是否仍維持相同條件。 - 這項規則是為了防止什麼問題而制定的？ - 那個問題現在仍然存在嗎？ - 技術或成本結構是否已經改變？ - 法規、安全或品質標準是否維持不變？ - 停止採用這種方式時，最大的風險是什麼？ ### 5. 進行小型實驗，而非全面替換 去學習並不是無條件廢棄。在可復原的範圍內，比較既有方式與新方式。 例如，在取消整份週報之前，可以先由一個團隊將報告項目減少一半，再比較決策時間、錯誤、返工與使用者滿意度。導入生成式 AI 時，也可以先從可公開文件的初稿撰寫開始測試，並對敏感資料與最終核准維持獨立的管控流程，這樣會較為安全。 ### 6. 記錄新標準與廢棄理由 根據實驗結果，維持、修改、保留或廢棄既有方式。不要只記錄改變了什麼，也要留下以下內容。 - 過去方式的目的 - 不再有效的前提 - 應維持的原則與管控機制 - 新方式有效的條件 - 重新檢視日期與負責人 這些記錄可以避免新方式固化成另一種未經驗證的慣例。 ## 工作中的應用範例 ### 報告撰寫 - **既有前提：** 撰寫者必須親自閱讀所有資料並從頭寫出句子，品質才會高。 - **去學習：** 檢視親自撰寫與準確性之間是否總是存在必然關係。 - **再學習：** 將報告的本質重新定義為依據明確且有助於決策的文件。 - **新學習：** 使用 AI 建立架構或草稿，但由人員負責對照原文、驗證數值與最終核准。 ### 會議運作 - **既有前提：** 所有相關人員都必須參加即時會議。 - **去學習：** 區分資訊共享與共同決策是否需要相同形式的會議。 - **再學習：** 將會議目的明確界定為資訊傳達、徵詢意見或決策其中之一。 - **新學習：** 將資訊傳達改為非同步文件，只有需要討論與決策的議題才在會議中處理。 ### 管理者的角色 - **既有前提：** 管理者必須知道所有答案並親自下達指示。 - **去學習：** 確認在專業知識分散的組織中，這種方式是否會延緩決策。 - **再學習：** 將管理者的角色重新定義為設定目標、分配資源、協調衝突與管理責任。 - **新學習：** 將實務判斷委派給負責人，並建立檢視重要假設與風險的架構。 ## 哪些不能捨棄 快速變化並不能合理化廢棄所有原則。即使導入新工具，也應謹慎保留或強化下列項目。 - 遵守法律與法規 - 保護個人資料及機密資訊 - 為安全與品質進行的必要驗證 - 來源確認與記錄管理 - 無障礙及防止歧視原則 - 最終決策者與責任歸屬 尤其 AI 產出可能包含看似合理卻錯誤的資訊、偏見或敏感資訊外洩風險。以效率為由連驗證與問責流程也一併取消，與其說是去學習，不如說更接近管控失敗。 ## 去學習失敗的常見原因 ### 全盤否定過去的經驗 既有方式有其解決當時問題的理由。若抹去歷史，已經解決的風險可能再次出現。不應否定人員或經驗，而應將適用條件分開檢視。 ### 將流行工具視為正確答案 新事物不會只因為新就更好。若導入工具本身成為目標，可能只會增加成本與複雜度。應先設定品質、速度、風險、使用者價值等可衡量的目標。 ### 捨棄既有方式卻未準備替代方案 若只有中止而沒有再學習，就會造成工作空缺。必須確認待廢棄流程原先執行的功能，並制定可取代該功能的新標準。 ### 忽略心理成本 長期培養的專業能力與身分認同緊密相連。要求改變既有方式，可能被理解為否定個人能力。與其聚焦於哪裡錯了，不如以哪些條件已經改變為中心加以說明，效果會更好。 ## 今天就能開始的去學習檢查表 只要從下列問題中選一個回答，就可以開始。 1. 過去 1 年間，有哪些工作在環境已經改變後仍維持不變？ 2. 是否有用「本來」、「當然」、「一直都是」來說明的流程？ 3. 該流程原本想解決的問題是什麼？ 4. 目前是否仍存在相同的問題與限制？ 5. 必須維持的核心原則與可以改變的形式分別是什麼？ 6. 在限制風險的同時，可以測試的最小改變是什麼？ 7. 要用哪些指標判斷成功與失敗？ ## 結論 去學習並不是主張不再學習。它是**為了替新學習創造發揮作用的空間，而重新檢視既有知識有效條件的方法**。重要的不是捨棄多少，而是判斷要保留什麼、為何保留，以及要根據什麼替換哪些內容的能力。 不需要今天就立刻改變所有方式。可以先寫下一個曾認為「這件事本來就是這樣做」的前提，再透過小型實驗確認該前提現在是否仍然有效。 ## FAQ ### 去學習是指忘掉已學會的內容嗎？ 不是。去學習並非刪除記憶，而是重新檢視既有知識或習慣成立的前提與適用條件。仍然有效的原則予以保留，只降低過時部分的影響力，或以新方式取代。 ### 去學習與再學習有何不同？ 去學習是擺脫已不再有效之前提的階段，而再學習則是因應變化後的環境，重新理解概念與技能的階段。一般而言，先透過去學習騰出空間，再藉由再學習建立新標準，之後連結到實際工作中的實驗。 ### 工作技能的半衰期實際上是幾年？ 並不存在適用於所有工作技能的標準半衰期。技能價值變化的速度會因產業、職務、地區及衡量標準而異。特定年數可能是源自個別調查或比喻的估計值，因此應同時確認其來源與定義。 ### 去學習是指要忽視既有經驗嗎？ 不是。既有經驗是能說明某種做法為何形成的重要資料。去學習並非拋棄經驗，而是區分該經驗至今仍適用的條件，以及不再適用的條件。 ### 在組織中開始去學習，最安全的方法是什麼？ 從變更範圍小且可復原的實驗著手較為安全。應比較既有方式與新方式的品質、時間、成本、錯誤及風險，而與法律、資安及安全相關的必要管控，即使在實驗期間也必須維持。 ### 如果 AI 持續發展，人的判斷也會變得不再必要嗎？ AI 雖然可以產生更多候選方案與草稿，但不會自行決定組織目標、可接受的風險、使用者價值與最終責任。事實查核、情境判斷、核准及對結果的責任，應明確分配給特定人員或組織。 ### 如何衡量去學習的成效？ 比起學到了多少新知識，衡量重工減少幅度、決策時間、錯誤率、品質、使用者滿意度及是否發生風險更為實用。應取得變更前的基準值，並在一段時間後比較相同指標。 ### 如果今天就要進行去學習，應該從什麼開始？ 從工作中選擇一項以「原本就是這樣做」來解釋的流程。寫下該流程原本要解決的問題、建立當時的限制，以及目前仍存在的風險，然後設計最小規模的變更實驗即可。 ## Sources - [世界經濟論壇，《2025年未來就業報告》](https://www.weforum.org/publications/the-future-of-jobs-report-2025/) - [《哈佛商業評論》，〈學習的問題為何在於忘卻所學〉](https://hbr.org/2016/11/why-the-problem-with-learning-is-unlearning) - [艾爾文·托夫勒，《未來的衝擊》](https://books.google.com/books?q=%22By+instructing+students+how+to+learn%2C+unlearn+and+relearn%22) - [NIST AI風險管理框架](https://www.nist.gov/itl/ai-risk-management-framework) ## Images ![破裂齒輪、指南針、倫理符號與AI方塊由循環箭頭連結的插畫](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MzkxMywicHVyIjoiYmxvYl9pZCJ9fQ==--895d9fef4ea5fbfb5ab9a739efd6c892766fd90c/ai-4fd2b3f4.webp) ![人們透過流程圖比較舊有知識與人工智慧驅動的新學習路徑](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MzkxOSwicHVyIjoiYmxvYl9pZCJ9fQ==--c2124f79e9b74bcb94be864024ff33010e5e4e50/ai-a5e4790e.webp)