跳到主要內容

發表文章

看 AI 時代的孩子,如何用嘴巴「說」出創造力

大家常問我:「現在科技發展得這麼快,到底該怎麼讓小孩子接觸?」 身為一個在軟體圈打滾多年的人,前陣子我幫兒子做了一個新嘗試,我拉了 Roblox Studio (一款現在全世界小學生都在玩的遊戲製作工具),再加上 AI 小幫手(Codex) ,讓他開始試著自己動手「做遊戲」,而不是每天只會對著螢幕「玩遊戲」。 結果,這個過程給了我大大震撼。 巨大的挫敗 首次果然是個大挫敗, 開始教他怎麼操作 Roblox Studio 整個開發介面, 同時也開許多 youtube 教學(自己認為很簡單)讓他知道如何入門, 想當然爾,超級失敗,沒有五分鐘就跑開閃人了,留下一句,『無聊的爸爸』 震撼:AI 時代的小孩,根本不用「學鍵盤打字」 我們這代人學電腦,都要先背鍵盤、學打字、記按鈕、熟悉一大堆複雜的操作流程。但我發現,這群「生來就有 AI」的孩子完全不一樣。 他甚至不打算用鍵盤。我後面發現,他已經透過 Mac F5 的功能流暢的進行語音輸入,他直接用大聲說話(語音輸入)的方式,劈頭就對 AI 下指令,讓 AI 去幫他寫程式、調功能。這流程順暢到像在跟朋友講話,前置作業基本上是「秒上手」。 這點醒了一件事: 打字,是我們那時代的事情, 如果在這個時代,我們還逼孩子非得先花幾個月去死背工具、熟悉死板的流程,才准他們開始操作,那絕對是最糟糕的學習體驗。 他們缺的不是聰明,而是「耐心」 說真的,現在的孩子被短影音、快節奏的網路餵養,最缺乏的就是「耐心」。 要怎麼讓他們重新找回「願意沉下心來做好一件事」的樂趣? 過去那套「苦行僧式」的學習法已經行不通了。 我們必須透過 AI 的即時回饋,把流程重新規劃, 先用 AI 快速實現想像力 ,讓他看到成果。 引導他去探索: 怎麼在 Roblox 商店裡挑選免費的3D素材?怎麼利用官方的公開資訊,組合出自己想要的效果? 一開始,我只給了他非常粗淺的入門教學。 但我後面發現,只要點起那把火,後續的發展完全超乎想像——他開始瘋狂挖出自己平常的「遊戲經驗」,把腦袋裡那些酷炫的打鬥效果,一項一項透過 AI 實做出來。 從「消費者」變成「創造者」 最後,他真的東拼西湊,做出了一款他自己邊玩邊大笑的遊戲。 他甚至自己一臉嫌棄地戲稱:「 這絕對是全地球最難玩、最爛的 99夜( ...
最近的文章

AI 第二大腦,其實沒那麼玄

最近看到很多人在討論: Obsidian + Claude Code 可以打造 AI 第二大腦。 聽起來好像很硬、很技術、很像工程師才會用。 但如果用簡單一點的方式講,其實它在做的事情是: 把你散亂的筆記、資料、靈感、專案,整理成 AI 看得懂的知識庫。 這樣之後 AI 就不只是回答你通用答案,而是可以根據你的資料,幫你整理、查找、產出內容。 為什麼這件事值得關注? 因為現在大家不是沒有資訊。 反而是資訊太多。 我們每天可能都有: 會議紀錄、課程筆記、文章收藏、靈感備忘、專案資料、聊天紀錄、AI 對話、客戶需求、研究資料、內容素材。 但問題是: 真正要用的時候,常常找不到。 就算找到了,也要重新整理一次。 更麻煩的是,每次問 AI,都要重新解釋背景。 所以很多時候不是 AI 不夠強,而是我們自己的資料沒有整理成 AI 可以使用的樣子。 這件事可以解決什麼? 簡單說,它可以幫你把「散亂資訊」變成「可用產能」。 例如: 把課程筆記整理成重點 把會議紀錄整理成待辦 把靈感整理成文章大綱 把專案資料整理成進度報告 把研究資料整理成簡報或企劃 把過去的 AI 對話變成可重複使用的知識庫 重點不是多學一個工具。 而是讓你手上的資料,真的可以被再次使用。 誰適合? 我覺得特別適合這幾種人: 常常做筆記的人 資料很多但很難整理的人 內容創作者 學生、研究者 PM、行銷、顧問 老師、講師 創業者 想把 AI 放進工作流程的人 尤其是這種人: 明明累積很多資料,但一直沒有把資料變成成果。 這套方法可能會很有幫助。 可以怎麼開始? 其實不用一開始就搞得很複雜。 可以先分三步: 第一步:先把資料集中 先找一個地方放資料。 例如 Obsidian 這類筆記工具。 把你的筆記、靈感、專案、素材、課程內容,先集中起來。 不用一開始整理得很完美。 先做到一件事就好: 之後找得到。 第二步:讓資料有一點基本結構 不用很複雜。 先簡單分成幾類就好: 工作 學習 專案 靈感 素材 已完成資料 重點不是分類漂亮,而是你自己看得懂,AI 也看得懂。 第三步:讓 AI 幫你整理和產出 當資料有基本結構之後,就可以用 Claude Code 這類工具協助: 幫你找資料 幫你整理重點 幫你產出摘要 幫你檢查缺漏 幫你把素材變成文章、簡報、企劃或報告 這時候 AI 才會開始變得真正好用。 因為它不是憑空回答,而是根...

In the AI Era, We Do Not Lack Output — We Lack Verifiable Output

  In the AI Era, We Do Not Lack Output — We Lack Verifiable Output If we agree that AI can produce different thinking models and working methods when it takes on different roles and identities, then we should no longer use the old PM, RD, and Designer workflow to structure how work should happen in the AI era. Traditional workflows were essentially formed because humans have limited role flexibility and cannot freely switch between different areas of expertise. Over time, this created a collaboration structure based on fixed roles and handoffs. But with the emergence of AI, output capability has been greatly amplified. The real question is no longer “Who will do the work?” but rather: Who can verify whether the output is correct, feasible, and deliverable? From Prompt Output to Domain Calibration In the past, many people believed that the key to AI was the prompt. But in enterprise and manufacturing contexts, the real focus is not the prompt. The real questions are: After AI genera...

AI 時代不是缺產出,而是缺「可驗證的產出」

AI 時代不是缺產出,而是缺「可驗證的產出」 如果我們同意 AI 在不同角色與身份下,會產生不同的思考模型與工作模式,那我們就不應該再用舊有的 PM、RD、Designer 流程去組建 AI 時代的工作方式。 傳統流程其實是人類因為角色能力有限、專業無法自由切換,而長期形成的協作結構。但 AI 的出現,讓產出能力被大幅放大,真正的問題不再是「誰來做」,而是「誰能驗證它是否正確、可行、可交付」。 從 Prompt 產出,走向 Domain Calibration 過去大家以為 AI 的重點是 prompt。 但在企業與製造場景裡,真正的重點不是 prompt,而是: AI 產出後,誰來驗證? 誰來校準? 誰來把錯誤變成規則? 誰來把經驗轉成系統? 這才是企業真正能累積的能力。 當一個人使用 AI 進入自己不熟悉的領域時,AI 可以產生看似完整的結果,但使用者往往無法判斷其底層是否正確。就像 Vibe Coding 可以快速做出看似能運作的產品,但若缺乏工程、安全性、架構與測試能力,最後可能只是表面漂亮,實際上充滿風險。 製造業也是一樣。AI 可以生成設計、規格、報價、製程與提案,但這些結果若沒有被真實製造經驗驗證,就只是「看起來可行」的內容,而不一定真的能被製造、報價、量產與交付。 所以新的工作流程不應該是: PM → RD → Designer → Product → Delivery 而應該變成: 需求 / 問題 ↓ AI 產生多種可能解法 ↓ 專業角色進行驗證、校準、修正 ↓ 系統記錄可行參數與限制條件 ↓ 形成可重複使用的 AI 能力 ↓ 交付給客戶或內部流程使用 這裡最關鍵的新角色,不是傳統 PM,也不是傳統 Designer,而是前面提到的會是專注於結果產出的工作模式。 因此,AI 時代的人類『核心能力』不是單純的生成,而是『驗證。』 不是讓 AI 取代 PM、RD、Designer,而是建立一套能夠讓 AI 產出被專業校準、被數據約束、被流程驗證、被結果回饋的工作系統。 這就是「可製造 AI」的本質: 讓 AI 不只是產生答案,而是產生能被驗證、能被修正、能被製造、能被交付的結果。 Prompt 是一次性的產出。 Calibration 是可累積的能力。 AI 不只是要會生成答案, 而是...

Figure AI 這場直播,讓企業看見下一個競爭門檻:AI 從回答問題,走向親自上工

 Figure AI 這場直播,表面上看起來像是在做一件很直白的事: 把 humanoid robot 放進真實場景裡,讓大家看它怎麼工作。 它不只是一種「機器人 demo」,也不只是有趣這件事情而已。 它真正想測試的,是企業會不會開始改變一個更根本的認知: AI 到底只是軟體工具,還是已經開始具備「勞動單元」的雛形。 重要分水嶺 因為過去兩年,市場對 AI 的想像大多還停留在 LLM / AI 回應內容 寫文案、寫 code、做摘要、做客服、做知識助手。  這些都很重要,但它們本質上仍然停留在「資訊處理層」,數位流程上。 Figure 想往前推的,不是另一個更會講話的模型,  而是讓市場開始重新思考:  當 LLM 負責語意推理,AI 負責感知判讀,Agent 負責流程編排,而 Robot 負責實體執行時,企業裡有沒有一些原本只能靠人撐住的流程,開始可以被重新定義? 這場直播真正的價值 它不是在證明「機器人很酷」,  而是在試圖證明另一件更接近商業本質的事: AI 不再只是幫白領提高效率的工具,而是有可能慢慢變成企業可採購、可管理、可衡量報酬的執行基礎設施。 有更多細節可以從中探索,也更多可以知道為什麼中國一直搶佔這個機器人賽道領域。 直播連結, https://www.youtube.com/watch?v=luU57hMhkak

川習會後判斷:台灣在談判桌的哪個位置

川普這次真正丟出的訊號,不只是「沒對習近平承諾什麼」。 更值得警覺的是:  台灣議題正在被放進美中談判框架裡,而美國對台軍售的確定性,被刻意保留。 表面上,川普說他和習近平談了很多台灣,但沒有做任何承諾,並表示對台軍售很快會有決定。  但深一層看,這句話的意思不是「我明確挺台」,而是:*我兩邊都不把話說死。* 這釋放了幾個訊號: 第一,川普沒有承諾北京,但也沒有明確承諾台灣。   他保留的不是立場,而是談判空間。 第二,對台軍售被放進了交易語境。   過去美國通常避免讓北京介入對台軍售決策,但現在這件事被直接拿到美中領袖對話裡談,這本身就是變化。 第三,這碰到「六項保證」的敏感邊界。   因為其中一項精神,就是美國不應就對台軍售與北京協商。 第四,美國制度上並沒有放棄台灣。   《台灣關係法》仍在,台灣的防衛承諾不是一句話就能推翻。 第五,川普同時也在提醒台灣:不要主動改變現狀。   也就是說,美國支持防衛,但不想被拖進一場由台灣主動升級的戰爭。 第六,北京正在把台灣問題推向美中關係核心。   意思是未來不只安全議題,連經貿、科技、地緣談判,都可能被綁進台灣條件。 第七,台灣政府正在努力把焦點拉回「嚇阻」而不是「交易」。   因為軍售如果被視為交易籌碼,台海穩定就會開始變質。 所以,這件事最值得記住的一句話是: 台灣沒有被直接拋棄,但正在被放上談判桌。 接下來真正要看的是三件事:    1. 美國是否正式推進下一批對台軍售  2. 白宮或國務院是否重新確認六項保證  3. 北京是否利用這種模糊空間,加大對台軍事或外交施壓

Claude code 政策調整,請大家務必要注意 6 月份重點

很多人最近應該都收到這封信,會以為重點是: 「Claude 每個月多送你 200 美元可以用。」 如果講白一點,事情其實是這樣: Anthropic 發現,越來越多人不是只拿 Claude 來聊天,  而是拿它去接別的工具、別的服務,甚至包成別的產品在用。 以前這些用法,有些人其實是在用原本的訂閱額度,  去放大 Claude 在外部服務上的能力。 所以官方現在做的事,就是把這條線劃清楚。 之後你平常聊天、互動,用的是原本訂閱額度。  如果你要把 Claude 接到其他工具、跑自動化、當成別的服務背後的能力,就改用另外一筆 credit。 說得好聽,這叫「規則更清楚」。  說得直接一點,就是: 以前大家有機會用訂閱方案,把 Claude 的能力接出去放大用。  現在這個口子,被補起來了。 所以這不只是送你 200 美元。  而是官方開始把: - 一般聊天 - 自動化使用 - 外部服務串接 這三種用法,正式分開算。 這代表一件事: Claude 還是能用,  但平台開始更認真管理「你怎麼用它賺價值」這件事了。 --- 你的錢,就是我的錢,薛翻啦!