我們想讓你知道的是我們大多數人至少出社會前，從幼稚園到大學畢業都經歷了至少近20年的學習歷程。然而，在出社會後，往往才是學習為什麼學見真章的開始。當AI已經可以學得比我們還快、更有架構，更能旁徵博引時，我們又該如何學呢？

文：公關人生相談室

從小到大的正規或義務教育，讓我們大多數人至少出社會前，從幼稚園到大學畢業都經歷了至少近20年的學習歷程。然而，在出社會後，往往才是學習為什麼學見真章的開始。當AI已經可以學得比我們還快、更有架構，更能旁徵博引時，我們又該如何學呢？

為考試而學——集點式、學過就忘的學習
記得小時候為考試熬夜背誦的那些歷史年代與事件，現在似乎只有模模糊糊的印象；那些數學公式也早從記憶中被移除。那些為了考試或取得學位而學習的日子，好像是拼命喝某種品牌飲料的消費者，只是為了集點拿到當初以為是限量，但其實是大量製造的商品。

進入職場，再也沒有定期的小考和大考，取而代之的是因著不同商業問題而衍伸出來的任務。當沒有標準答案甚至是前例可循時，我們像是按著五行食補，讓自己缺什麼學什麼。無論是數據分析、專案管理還是成本控管，應急與可以轉換成商業價值變現，成為我們在職場上評估是否學習某項技能的標準。

然而，隨著商業世界的變化和趨勢的更迭，那些顯而易見、媒體大書特書的趨勢，有時就像是蛋塔風潮一樣，來去不留痕跡。只剩下因為盲目跟著趨勢，而忘了評估風險反而賭錯邊的人。

你做的是「功勞」還是「苦勞」？

當產業彼此之間的界線越來越模糊，當原本看似互不相關的產業可以互相借鏡甚至異業合作之時，拯救人類生命的疫苗製造商成了剛好生產疫苗的科技公司；據點遍佈全球的零售業成了剛好生產洗髮精的科技公司。直到這時，技能或許該重新定義為可以整合不同優勢，以解決更複雜商業與人類社會問題的能力。

當AI的應用已重新定義可以被視為人類價值的工作時，學習這件事不但可以很集體，也可以很個人化。集體的部分在於，我們可以應用AI去過往人類所貢獻無數筆資料中，提煉出最適用的資訊。也可以用合適的提示與架構，去解決我們以往要靠數小時時間「苦勞」動手產出用以交換資訊，本身並不具有長久留存價值的文件，像是數據報表或是E-mail、簡報等文件。

個人化的部分在於，AI可以針對我們個人技能的弱項，用累積的群眾智慧截長補短，我們不需要是某些領域的專業人士，也可以運用專業人士的產出進行再創造。也因此，能否與AI協作的能力，反而是決定我們的工作成果是「苦勞」還是「功勞」的關鍵。

具備「回饋迴圈」並即時調校的自主學習

在此階段，基於個人動機與意識而非外在誘因的自發學習反而更加重要。自發學習就像是Google導航一樣，靠著對於周遭環境的敏銳度與即時數據，不斷地運算出合適行車路徑，並依據持續從終端使用者搜集的數據與回饋，將運算的精細程度、正確率與時間效率提高。

這樣的「回饋迴圈」就像是目前職場上分工越來越精細，但人力越來越精簡的工作項目一樣，當人類的注意力和時間成為最稀缺的資源，將學習成果投入工作測試的「回饋迴圈」——無論來自於主管、同儕、客戶與客觀數據與市場的評價，都將提供我們更為精準的回饋，藉以調校我們的學習路徑。

屆時，能成為更優秀工作者的關鍵，或許來自於對經過AI處理過資訊背後原理的理解、對於AI提供資訊品質的辨識力，以及具備跨領域通用知識與技能的底層邏輯，得以拆解不同商業問題共通性與可互相借鏡之處，以疊加與組合出更合用、更有效解決新興商業問題的解決方案。

當終身學習已成為標配時，你會為什麼而學呢？








Source

---