---
title: "在 AI 時代蓬勃發展的人：同時提升生產力與思考力的方法"
locale: zh-hant
category: ai_data
category_name: "AI 資料"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/how-to-thrive-in-the-ai-era
published_at: 2026-07-31T03:32:55+09:00
---

# 在 AI 時代蓬勃發展的人：同時提升生產力與思考力的方法

> AI 讓知識工作變得越來越快速且低廉時，真正重要的差異可能不在於智力，而在於是否願意持續探究難題並驗證結果。若將 AI 當作導師、批評者與研究助手，而非代寫初稿的工具，就能同時提升生產力與人類能力。

## Key Points

- AI 節省的時間可能會被額外工作重新填滿，因此生產力提升與工作負擔減輕並非同一回事。
- 認知需求並不等同於智力，而是指自發參與複雜思考活動並樂在其中的傾向。
- 若連問題定義與判斷都交給 AI，即使短期產出增加，知識建構、錯誤偵測與獨立解決問題的能力仍可能減弱。
- 先自行完成初稿，再讓 AI 尋找反例、錯誤與遺漏，較容易維持思考的主導權。
- 學校與組織不應只評估 AI 使用量，也應同時評估自主性、勝任感、關係感、驗證過程與獨立執行能力。

生成式 AI 正迅速降低摘要、翻譯、寫作、分析、程式設計等智力工作的成本。然而，產生答案的能力越豐富，並不代表人類所需的能力就會消失。相反地，**決定該問什麼、驗證答案，並將困難問題探索到底的能力**，其價值可能會提高。

本文的核心並不是主張減少使用 AI，而是建議在使用時，不只考慮短期產出，也應考量 AI 對使用者的知識、判斷力、好奇心與獨立執行能力會造成什麼影響。

## AI 改變的與其說是工作時間，不如說是工作密度

即使 AI 減少了完成一項工作所需的時間，也不能斷定一天的總工作量會按相同比例下降。組織可能會在省下的時間中安排更多電子郵件、分析、報告、程式碼修改與會議。個人也會開始親自處理過去可能放棄或委外的小型任務。

此時可能出現以下變化。

- 同一時間內處理的任務數量增加。
- 同時監督多個 AI 工具或代理程式的結果。
- 短時間工作滲透至夜晚、通勤時間與週末。
- 需要切換的脈絡增加，使深度專注時間遭到切割。
- 產出增加，但需要審查的成果也隨之增加。

因此，生產力不應只以「更快完成的能力」衡量。還應一併檢視修正錯誤的時間、工作切換次數、獨立執行能力，以及疲勞與恢復狀況。AI 提高工作密度的程度會因職務、組織文化與績效標準而異，因此這並非會同樣發生在所有勞工身上的現象。

## 智慧越豐富，意志越重要的原因

AI 已能在許多領域立即提供流暢的草稿與看似合理的分析。在這種環境中，僅憑成果的外觀，很難判斷一個人的理解程度或專業能力。差異會出現在以下過程中。

1. 選擇值得解決的問題。
2. 親自定義問題的條件與成功標準。
3. 驗證 AI 回答的事實、邏輯與來源。
4. 探索反例與其他解釋。
5. 由人對結論負責。
6. 即使沒有 AI，也能說明或重現核心內容。

這種態度與心理學中的**認知需求**有關。認知需求是指參與複雜思考活動，並享受其過程的一種相對穩定傾向。它與智力測驗所衡量的能力並不是同一概念。具有高度推理能力的人也可能逃避心智努力，而能力一般的人也可能堅持不懈地檢視與學習。

認知需求高也不代表總能得出正確結論。深入思考的人可能會對自己建構的解釋產生強烈依戀。因此，除了持續思考之外，還需要重視可證偽性、外部審查，以及修正想法的態度。

## 理解 AI 使用者的三種概念類型

以下分類並非經過驗證的人格測驗或臨床診斷，而是用來說明 AI 使用習慣的概念模型。同一個人也可能依任務與情境，以不同類型的方式行動。

| 類型 | AI 使用方式 | 短期效果 | 長期風險或機會 |
|---|---|---|---|
| 高產的乘客 | 從問題定義到最終表達，廣泛交由 AI 處理 | 產出量與速度提高 | 內部知識與獨立執行能力可能減弱 |
| 不情願的最佳化者 | 原本想自行思考，但因期限與疲勞而逐漸委派給 AI | 減輕負擔並趕上期限 | 若便利成為基本習慣，驗證階段可能縮減 |
| 心智馬拉松跑者 | 先自行思考，再向 AI 請求提示、反例與檢視 | 初期速度可能較慢 | 有可能同時提高生產力、學習成效與判斷力 |

核心區別不在於是否使用 AI。重要的是，**思考過程中的哪些部分被委派出去，以及使用後人新理解了什麼**。

## 高產的乘客與認知債務

即使 AI 產生的成果眼下能正常運作，若使用者不理解其內部結構，未來的維護成本仍可能不斷累積。可以使用「認知債務」一詞來說明這種情況。

例如，開發人員若未充分理解 AI 生成的程式碼便持續合併，可能會產生以下問題。

- 發生錯誤時，難以縮小原因範圍。
- 無法說明安全性或效能方面的假設。
- 難以依照新需求變更結構。
- 缺乏判斷 AI 回答是否錯誤的標準。
- 整個團隊可能都不了解系統的運作原理。

認知債務與技術債務相關，但並非完全相同的概念。技術債務主要指系統設計與實作所造成的未來成本；認知債務則著重於個人或組織未能充分累積理解該系統並進行判斷的能力。

也有人可能反駁，利用 AI 重新分析即可解決問題。然而，要評估分析結果並與實際系統對照，仍然需要領域知識與判斷力。系統越重要，負責人、核心假設、測試方法與手動復原程序就越需要由人來理解。

## 依賴 AI 可能削弱學習的途徑

### 適度的困難消失

學習需要從記憶中提取資訊、建立假設並修正失敗的過程。如果 AI 從一開始就提供完整答案，使用者便可能跳過這些過程。閱讀成果後感覺自己已經理解，與面對空白畫面時能親自重現，並不是同一回事。

### 將流暢誤認為準確

生成式 AI 即使表達錯誤內容，也可能使用自然且充滿自信的語句。若使用者不具備相關領域的知識或驗證程序，就很容易把語句的流暢程度誤認為證據的強度。

### 好奇心與探索範圍縮小

教育研究曾提出，直接告知物品固定使用方式的教學方法，可能會限制自由探索。雖然不能將這項結果原封不動地概括套用到 AI，但它暗示，如果聊天機器人總是立即提出單一方法與結論，使用者嘗試其他可能性的機會就可能減少。

### 簡單的工作成為新標準

如果與 AI 共同執行工作時非常快速而流暢，那麼在沒有 AI 的情況下工作，相較之下可能會顯得緩慢而乏味。如果這種情況反覆發生，持續處理不確定問題的時間，以及獨立著手工作的動機可能會減少。不過，AI 對動機的影響會依任務類型、使用者經驗、工具設計與評估方式而異，因此不應將其解讀為一概而論的因果關係。

## 閱讀研究結果時的注意事項

關於 AI 與人類思考的研究正迅速增加，但許多領域目前仍不宜過早做出長期結論。

- 自我報告式問卷可能無法區分使用者感受到的努力與實際能力的變化。
- 短期實驗的結果不能視為必然會直接延伸為數年的學習或職業能力變化。
- 不能只依腦波連結性等單一生理指標，就斷定學習品質或「腦功能下降」。
- 即使發現 AI 使用頻率與低度批判性思考之間存在相關性，也難以確定哪一方才是原因。
- 結果可能會依工具效能、提示詞、任務難度與參與者的既有知識而異。

因此，「使用 AI 就必然會降低思考能力」這類結論過於武斷。更準確的問題是：**在什麼任務中、以什麼方式、使用到什麼程度時，什麼人的哪些能力會發生變化**。

## 避免認知投降的驗證程序

「認知投降」是用來描述未經驗證便將 AI 的答案置於自身判斷之上的比喻性說法，並不是標準化的心理學診斷名稱。

重要的回答可依下列程序檢視。

1. **拆分主張。** 區分事實、推論、預測與價值判斷。
2. **確認依據。** 閱讀原始來源，確認其確實存在，且能支持該主張。
3. **確認日期與適用範圍。** 檢查資訊是否最新，以及是否錯誤套用了其他國家或條件下的資料。
4. **要求反例。** 讓 AI 提出反方論點，再由人評估其合理性。
5. **獨立計算。** 以其他方法重現數字、程式碼與邏輯結論。
6. **指定負責人。** 醫療、法律、財務、招聘與安全相關決策，須由具資格的人員審查。

AI 風險管理不只是確認輸出的準確性，還必須設計由誰審查、發生錯誤時如何發現，以及由誰對最終決策負責。

## 將 AI 當作心智訓練工具的方法

### 1. 要求逐步提示，而非完整答案

可以提出如下要求。

> 不要直接告訴我正確答案，只提供需要的概念與第一個提示。我回答後，請指出邏輯錯誤，並一次提供一個後續提示。

提示方式能為使用者保留從記憶中提取資訊並建立假設的空間。但如果是完全沒有基礎知識的領域，應先確認可信賴的入門資料與核心術語。

### 2. 先度過空白頁階段

開啟 AI 前，先簡短寫下以下項目。

- 我想解決的問題
- 目前已知的事實
- 暫定結論
- 不確定的部分
- 預期的反駁
- 需要確認的資料

接著再請 AI 指出缺失的觀點、反例、邏輯跳躍與驗證項目。如此一來，AI 不會決定思考的起點，而是批評使用者自行建立的架構。

### 3. 交替執行 AI 任務與非 AI 任務

- 使用 AI 摘要資料後確認原文，並自行撰寫大綱。
- 看過 AI 提供的程式碼範例後關閉畫面，從頭實作核心功能。
- 要求 AI 提出反駁，但以自己的語言撰寫最終結論。
- 先自行分析失敗原因，再與 AI 的診斷比較。
- 不使用工具，向他人說明與 AI 共同學習的內容。

這種方式有助於區分「獲得協助時的表現」與「實際習得的能力」。

### 4. 將聊天機器人設定為導師，而非答案機器

優秀的 AI 導師會透過提問確認使用者目前的程度，一次提出一個問題，並且不會在答錯後立刻公布完整答案。可以使用以下提示詞。

> 請扮演教授這個主題的導師。先問一個問題確認我的程度。如果我答錯，不要立即給出正確答案，而是告訴我需要重新思考的前提或概念。每個階段結束時，讓我用自己的話進行說明。

### 5. 區分要委派的工作與要親自執行的工作

| 容易交由 AI 處理的工作 | 應由人主導的工作 |
|---|---|
| 格式轉換與拼字檢查 | 定義問題與目標 |
| 重複性文件的初步整理 | 重要的價值判斷 |
| 規則性資料分類 | 決定策略與優先順序 |
| 功能性電子郵件草稿 | 以個人經驗與觀點為核心的文章 |
| 重複程式碼的草稿 | 安全、法律、醫療、財務方面的最終決策 |
| 長篇資料的探索性摘要 | 證據驗證與負責任的核准 |

區分標準不只是創作與非創作。應該問的是：**是否必須親自執行這個過程，才能培養未來的判斷力**。

### 6. 要求知識地圖，而非結論

與其直接詢問 AI「什麼是正確的」，不如提出以下要求。

- 研究此問題的主要學者與理論
- 相互競爭的解釋
- 代表性反駁
- 需要確認的第一手資料
- 各種觀點的核心假設
- 尚未達成共識的爭議

AI 可以像研究助理或圖書館員一樣使用，但其提出的作者、論文與引文是否確實存在，仍須另行確認。

## AI 熵與人類獨特性

「AI 熵」與其說是標準化的技術術語，不如說是用來描述大量 AI 成果趨於平均且形式相似之現象的比喻。由於生成模型會依據訓練資料中經常出現的模式產生輸出，因此面對普通的提示詞時，往往容易產生熟悉的結構與平淡穩妥的表達。

人可以加入以下要素，抵抗這種齊一化現象。

- 親自觀察到的具體事實
- 個人記憶與失敗
- 從現場獲得的隱性知識
- 明確的價值標準與選擇理由
- 不同意既有解釋之處
- 驗證結果的過程與限制

人類的獨特性並不只是來自親自輸入句子這件事，而是來自一個人根據什麼經驗與標準，選擇了什麼並承擔了什麼責任。

## 學校與組織應設計的環境

AI 時代的教育不是放棄傳授知識，而是應擴展至運用並驗證知識的能力。如果沒有基礎知識，就很難發現 AI 的錯誤或提出好問題。

自我決定理論將自主性、勝任感與關係感，視為理解持續動機與福祉的核心條件。

| 條件 | 意義 | AI 環境的設計範例 |
|---|---|---|
| 自主性 | 感覺自己對目標與方法擁有選擇權 | 讓學習者決定探索問題與 AI 的使用範圍 |
| 勝任感 | 感覺自己的能力能透過練習獲得提升 | 提供難度適當的任務、逐步回饋與再次挑戰的機會 |
| 關係感 | 感覺自己與他人有所連結並受到尊重 | 納入導師審查、同儕討論與共同解決問題 |

學校與組織可以一併評估以下項目。

- 是否能在沒有 AI 的情況下說明核心概念
- 是否公開使用的資料與驗證過程
- 出現相反證據時是否會修正結論
- 是否適當標示不確定性
- 是否執行了長期持續的複雜任務
- 是否批判性地檢視並改善同儕的成果

師徒關係也很重要。熟練者不只傳授技術，也會傳達選擇好問題的標準、解讀失敗的方法、判斷品質的感覺與職業責任。這類隱性知識很難僅靠接收完整答案來學會。

## 減少認知兩極化的運作原則

AI 對一方而言，可以成為挑戰更困難問題的踏板；對另一方而言，則可能成為省略思考的手段。如果這種差異持續累積，便可能不只造成產出量的差距，也會導致判斷力與自主性的落差。

個人與組織可透過以下原則降低風險。

1. 與其記錄是否使用 AI，不如記錄委派出去的思考階段。
2. 在重要任務中設置人工審查節點與核准人員。
3. 定期執行不使用 AI 的重現任務。
4. 將確認來源與探索反例的時間納入績效流程。
5. 不只衡量速度，也衡量錯誤率、修正成本與學習成效。
6. 保護不需要使用 AI 的專注時間與長期專案。
7. 讓熟練者不只審查初學者的成果，也審查其思考過程。

## 結論

在 AI 時代蓬勃發展的人，不一定是使用 AI 最多或最少的人，而是能用 AI 減少重複工作，同時又不放棄問題定義、驗證、價值判斷與責任的人。

AI 可以計算、組合並預測可能的答案。然而，要追求什麼目標、重視什麼、願意承受什麼困難，仍然是人類與人類共同體的責任。沒有必要在生產力與成長之間二選一。先形成自己的想法，再將 AI 安排為批評者、導師與研究助理，就能同時追求這兩個目標。

## FAQ

### 大量使用 AI，一定會降低批判性思考能力嗎？
不一定如此。其影響會因任務、使用方式、先備知識與驗證程序而異。若將問題定義與結論全都交給 AI，認知努力可能會減少；但若先自行擬定初稿，再讓 AI 尋找反例與錯誤，它就能成為支援批判性思考的工具。

### 認知需求代表智力較高嗎？
不是。認知需求是指願意參與複雜的思考活動並享受其過程的傾向，與代表問題解決能力本身的智力有所區別。即使智力很高，也可能逃避心智努力；能力普通的人也能堅持不懈地思考。

### 心智馬拉松跑者是指不使用 AI 的人嗎？
不是。心智馬拉松跑者是一種概念性說法，指使用 AI，但仍掌握問題定義、核心推理、驗證與最終判斷主導權的人。比起完整答案，更常見的做法是要求提示、反例、資料與回饋。

### 如何在使用 AI 的同時維持學習效果？
開啟 AI 前，最好先寫下自己的答案或假設；獲得協助後，再嘗試不使用工具重現核心內容。應將 AI 摘要與原文對照，親自重新實作程式碼；遇到答錯的題目時，也可以要求逐步提示，而不是直接索取正確答案。

### 什麼是認知債務？
認知債務是用來描述這樣一種狀態的說法：AI 生成的程式碼或文件當下雖然能運作，但負責人未能充分理解其內部原理與核心假設，導致未來的判斷與修改成本增加。與其說它是廣泛標準化的學術指標，不如說它更接近用來說明依賴 AI 所帶來之組織風險的概念。

### 哪些工作適合交給 AI？
格式轉換、錯別字檢查、重複性資料分類與初步整理等規律且容易驗證的工作，適合交由 AI 處理。相較之下，問題定義、策略、價值判斷、重視個人觀點的創作，以及安全、法律、醫療、財務相關的最終決策，都應由人主導。

### 該如何驗證 AI 提供的來源？
應確認作者、標題、發行機構、日期與 URL 是否確實存在，並親自閱讀原文。即使來源確實存在，也要另行檢視相關內容是否真的能支持 AI 的主張，以及研究對象與條件是否適用於當前問題。

### 學校在 AI 時代應該減少知識教育嗎？
基礎知識反而是驗證 AI 輸出及提出好問題所必需的。不過，與其只評量背誦與得出正確答案的能力，更應一併評量長期專案、反例探索、來源驗證、不使用 AI 的說明與重現，以及失敗後的修正過程。

### AI 熵是科學上已確立的術語嗎？
本文中的 AI 熵，是用來描述大量 AI 產出逐漸趨向熟悉且平均化表達方式的比喻。應將其與嚴格衡量資訊理論熵的標準概念區分開來。

### 應該另外安排不使用 AI 的工作時間嗎？
並非所有工作都有此必要，但若要檢視核心能力，定期進行非 AI 任務會很有幫助。嘗試不使用工具說明透過 AI 學到的內容、重新編寫核心程式碼，並獨立得出結論，就能區分實際學習與工具依賴。

## Sources

- [認知需求](https://doi.org/10.1037/0022-3514.42.1.116)
- [自我決定理論](https://selfdeterminationtheory.org/theory/)
- [教學法的雙面刃：指導限制了自發性的探索與發現](https://doi.org/10.1016/j.cognition.2010.10.001)
- [生成式 AI 對批判性思考的影響：知識工作者調查中自陳的認知努力減少與信心效應](https://doi.org/10.1145/3706598.3713778)
- [使用 ChatGPT 時的大腦：使用 AI 助理執行論文寫作任務時認知債務的累積](https://arxiv.org/abs/2506.08872)
- [NIST AI 風險管理框架](https://www.nist.gov/itl/ai-risk-management-framework)

## Images

![一名人物在複雜迷宮中移動幾何圖形，上方有AI機器人，四周環繞分析與天平符號](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6NDM4NywicHVyIjoiYmxvYl9pZCJ9fQ==--d2355873076dcf1540d4c7c21227550833e52723/ai-d37dd98a.webp)
![一個人沿著花園小徑走向AI機器人，旁邊是文件輸送帶與時鐘組成的自動化工廠](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6NDM5MywicHVyIjoiYmxvYl9pZCJ9fQ==--a9fe146f2c1652668777c2dc72d67318d8e62dfc/ai-b140cfe1.webp)