降低門檻與拉高上限：為什麼我在必修程式課，花半學期教學生「與 AI 說話」？

「AI 的真正價值，不在於它能代替你寫出多少完美的程式碼；而在於它能為你搭起一座橋，讓你跨越未知的領域，把腦海中的『跨域想像』變成『現實產出』。」

在教學現場與各種工作坊中，我經常被問到一個問題：「老師，現在 AI 這麼發達，我們還需要學習那些非我們專業領域的新知識嗎？」

我的答案是：需要，而且 AI 讓這件事變得前所未有地重要，但也前所未有地容易。

對於生成式 AI，我一直抱持著兩個核心的定位：它同時是「降低學習新領域門檻的教練」，也是「拉高個人工作能力上限的槓桿」。而要啟動這兩個定位，關鍵全在於一件事——「你如何好好地描述問題，以及你真正的需求」。

🧱 降低門檻：用 AI 突破新領域的「基礎陣痛期」

當我們面對一個完全不熟悉的領域，想要建立基礎知識時，過去我們只能硬啃教科書或是在網海中盲目搜尋。但現在，AI 可以成為你專屬的、充滿耐心的家教。

你可以要求 AI 用不同形式、用最貼近你生活經驗的比喻，不斷解釋同一個概念，直到你完全理解為止。

但我經常提醒學生：把 AI 當作學習教練，通常只限於「基礎認知」階段。

為什麼只限於基礎？因為當知識走向深水區，我們必須保有判斷 AI 答覆是否正確的「識讀與驗證能力」。如果我們連該領域的基礎框架都沒有，就會完全被 AI 牽著鼻子走，產生嚴重的「幻覺」風險。反之，當我們透過 AI 快速建立了一定程度的基本認知後，這層顧慮就會大幅降低，因為你的大腦已經具備了自我除錯與判斷的雷達。

🚀 拉高上限：從「單點專才」到「跨域解決方案」

當你跨越了基礎門檻，AI 接著就能幫你拉高工作能力的上限。這個上限的突破，體現在「跨領域的問題解決能力」。

假設你本身是一位對 A 領域（例如：行銷企劃、教育心理）非常熟悉的專家。在過去，如果你想把企劃轉化為網頁（B 領域）、想對使用者數據進行跑模分析（C 領域），你只能苦苦尋求外部資源或外包。

但現在，只要你願意投入時間去理解 B、C、D 領域的「基礎知識」，你就可以嘗試去作原本你一個人絕對沒辦法解決的事。你的專業領域是發動機，而 AI 則是將你的想法延伸到其他領域的傳動軸。

🎓 課堂實踐：不教寫 Code，教「如何把需求說清楚」

這個理念，我真實地落實在我的大學必修程式課中。

我面對的是一群非資訊背景的學生。因為政策要求，他們必須來上這門必修的程式與數據分析課。如果在過去，光是教他們搞定開發環境、理解語法迴圈，半個學期就過去了，最後期末大家只能痛苦地複製貼上，交出一份不知所云的作業。

所以，我改變了策略。我的期末目標依然是「完成一份數據分析作業」，但我將近半個學期的時間，全都在介紹與說明「怎麼與 AI 互動」、「如何精準提問」、「如何結構化敘述自己的需求」。

結果令人驚豔。這群非資訊背景的學生，非常順利地產出了高品質的數據分析結果。

有人可能會質疑：「他們這樣根本不算自己寫程式吧？」

確實，他們或許無法從無到有、不靠任何輔助地手刻出每一行 Code。但是，透過與 AI 來回對話、修正錯誤的過程，他們已經深刻了解了程式的底層架構、數據分析的實質意義與標準流程。 他們知道資料該怎麼清洗、知道該用什麼統計模型、知道圖表該如何解讀。

他們擁有了「大腦（運算思維）」，只是把「雙手（寫程式碼）」交給了 AI。

結語：帶得走的「對話式學習力」

在這門程式課程中，我真正的目的，從來就不是把這群非資訊系的學生訓練成軟體工程師

我真正在教的，是讓他們「學習如何與 AI 互動的歷程」

這套心法一旦學會了，他們不僅能解決這次的數據分析作業

未來當他們在職場上遇到任何陌生的挑戰，他們都可以用相同的邏輯

拆解問題、定義需求、與 AI 協作、獲取基礎知識，最終完成他們想達到的跨域目標

這才是 AI 時代，教育最該賦予學生的、永遠不會被淘汰的超能力。

📚 文獻與延伸閱讀

1. Bien, J., & Mukherjee, G. (2025). Generative AI for Data Science 101: Coding Without Learning to Code. Journal of Statistics and Data Science Education, 33(2). https://doi.org/10.1080/26939169.2024.2432397
2. Federiakin, D., Molerov, D., Zlatkin-Troitschanskaia, O., & Maur, A. (2024). Prompt engineering as a new 21st century skill. Frontiers in Education, 9, 1366434. https://doi.org/10.3389/feduc.2024.1366434
3. Knoth, N., Tolzin, A., & Leimeister, J. M. (2024). AI literacy and its implications for prompt engineering strategies. Computers and Education: Artificial Intelligence, 6, 100225. https://doi.org/10.1016/j.caeai.2024.100225