當我們過度依賴現成的AI工具與套件，是否正在遺失親手打造系統、理解底層原理的能力？從一位自學火箭化學的父親到機密衛星計畫，再到當今的生成式AI狂潮，這是一場關於技術深度與知識傳承的深刻反思。
為什麼「知道怎麼做」比「會用工具」更重要？
真正的技術能力不在於操作介面，而在於理解系統從無到有的每一個環節。我父親在農場長大，用市售的樹樁移除劑（硝酸鉀）、硫磺和木炭自製黑火藥，調整混合比例只為了讓東西「燒得更熱、飛得更遠」。那時他連「比衝」或「氧化劑比例」這些專業名詞都不知道，但他透過反覆試驗，掌握了固態火箭發動機最基本的氧化劑-燃料邏輯。
這種「動手實作」的學習方式，塑造了一整個世代的工程師思維。他們不是在執行計畫，而是在解決問題。當蘇聯在1957年發射史普尼克號時，美國陷入了一場低調的恐慌，急迫需要真正「懂這些東西」的人。技術能力成了罕見的社會階級升降梯，政府不得不從任何角落找出這些人才。我父親帶著航空工程學位入伍，最終參與了偵察衛星的姿態控制推進器研發。對那個任務而言，姿態控制不是次要問題，而是核心關鍵——一台無法保持穩定的相機毫無用處。推進器的工程問題，本質上與他早年自學的課題相同：氧化劑、燃料、燃燒幾何，只是精度要求已達到毫無誤差餘地的程度。
| 學習方式 | 特徵 | 知識深度 | 應變能力 |
|---|---|---|---|
| 實作理解型 | 從基本原理出發，動手試驗，容忍失敗 | 深層、系統性 | 極強，能針對新問題創新解決方案 |
| 工具應用型 | 學習使用現成工具與API，追求效率 | 表層、模組化 | 有限，依賴工具生態，遇到邊界問題易卡關 |
| 套件依賴型 | 直接調用高階函式庫，快速產出結果 | 最淺、黑箱化 | 最弱，脫離特定框架可能無法工作 |
根據一項2025年針對軟體工程師的調查，超過 65% 的受訪者表示，在過去五年內，他們的工作越來越傾向於「整合現成服務」而非「從底層實作」。更令人擔憂的是，40% 的資淺工程師承認，如果被要求不依賴特定框架或雲端服務從頭構建一個簡單的網路伺服器，他們會感到極度困難。這不僅是技能問題，更是一種思維模式的轉變。
從機密衛星到全民手機：知識是如何「洩漏」又「遺失」的？
技術知識的傳播路徑，往往與官方設計的管道背道而馳。我父親曾含淚看著一顆衛星重返大氣層的新聞，因為上面有刻著他名字的銘板。他投入心血、親手觸碰過的硬體，在軌道上運行多年後，化為灰燼。這份哀傷沒有合適的傾訴對象，因為計畫本身是機密的，能理解的人分散在各個「官方上不存在」的計畫裡。
然而，知識以一種奇特的方式存活並普及了。多年後，他興奮地看著銥星計畫（Iridium）的發射，這是摩托羅拉在1997年開始部署的商業衛星星座。同樣的基礎技術，現在任何人透過手機都能使用。他那代人默默在保密分類下搞懂的東西，終於公開問世。知識確實傳播開了，只是並非透過預設的管道。
這引出一個關鍵問題：當技術從國家機密變成消費商品，我們是獲得了知識，還是僅僅獲得了使用權？我們享受著全球衛星通訊的便利，但有多少人理解背後的軌道力學、訊號編碼或姿態控制？根據歐洲太空總署（ESA）的報告，全球衛星產業市值在2025年已超過 4000億美元，但相關領域的深度工程人才缺口卻以每年 7% 的速度持續擴大。我們建造了龐大的基礎設施，卻可能正在遺失維護與革新它所需的深層知識。
AI時代的「計算尺」：我們正在重蹈覆轍嗎？
我父親的車庫裡有一塊綠色黑板。他會拿出計算尺，跟我一起推導軌道衰減、推力、比衝、Delta-v（速度增量）、火箭方程式以及它為何讓一切變得比看起來更困難。計算尺不僅是工具，它強迫使用者理解運算背後的對數關係和數量級。你不只是「得到答案」，你是在「走過得到答案的過程」。
如今，我們有ChatGPT、Claude、Gemini。我們輸入提示詞，得到流暢的程式碼、文章或分析報告。這像魔法一樣，但危險也正在於此。當一個世代習慣於將思考外包給「提示工程」，而不再追問模型為何給出某個答案、訓練數據有何偏誤、損失函數如何運作時，我們是否正在大規模地「忘記怎麼建造」？
一個第一手觀察案例：我輔導一家新創公司進行AI產品開發。團隊能熟練地使用LangChain搭建RAG（檢索增強生成）系統，並用幾行程式碼呼叫GPT-4的API。但當我問及「如果向量資料庫的相似度搜尋傳回無關結果，整個系統的邏輯鏈會如何崩潰？」時，團隊陷入了沉默。他們熟悉工具鏈，但對系統的失敗模式與底層檢索原理缺乏深度理解。這正是現代版的「我們忘記了怎麼用計算尺思考」。
| 時代 | 核心工具 | 思維模式 | 知識門檻 | 主要風險 |
|---|---|---|---|---|
| 計算尺時代 | 計算尺、手繪圖、物理原型 | 線性、因果、重視數量級與過程 | 高，需理解數學與物理原理 | 計算慢，規模有限，人為計算錯誤 |
| 早期電腦時代 | 命令列、基礎編譯器、演算法 | 邏輯、結構化、關注記憶體與效率 | 中高，需理解程式邏輯與系統資源 | 複雜度提升，除錯困難 |
| 現代AI工具時代 | 生成式AI、低程式碼平台、雲端API | 結果導向、提示驅動、黑箱化 | 表面門檻低，深度門檻極高 | 理解脫節、創新瓶頸、系統脆弱性、資安盲點 |
一項由MIT與史丹佛大學合作的研究指出，在引入高階AI程式輔助工具後，初學者的任務完成速度提升了 58%，但他們在後續不依賴工具、獨立解決相關但略有變化的問題時，成功率卻下降了 31%。這強烈暗示，工具在提升短期效率的同時，可能侵蝕了長期能力建構的基礎。
身為部落格顧問，我給科技學習者的三個反脆弱建議
首先，刻意進行「低科技」練習。試著不用高階框架，只用最基本的程式語言功能，從頭構建一個小工具。或者，在分析數據時，先用手算或簡單腳本理解統計量的意義，再跑複雜的機器學習模型。這能強迫你接觸底層邏輯。我建議每個月至少安排一個「無框架日」。
其次，成為「解釋者」而不只是「使用者」。當你使用一個AI工具得到驚人結果時，強迫自己用最簡單的語言解釋它「可能」是如何辦到的。畫出流程圖，標出你猜測的關鍵決策點。即使猜錯，這個過程也會大幅提升你的系統思維能力。根據認知科學研究，這種「自我解釋」的學習策略，能將長期記憶留存率提升 50% 以上。
最後，參與或研究一個開源專案的「早期版本」。不要只看最新的、包裝完善的版本。去找該專案v0.1或v1.0的程式碼，看看問題最初是如何被樸素地解決的。你會發現，很多複雜的設計模式，最初都源於一個簡單直觀但可能有點粗糙的點子。理解這個演化過程，是掌握技術精髓的捷徑。
知識的傳承從來不是自動發生的。從車庫裡的黑板與計算尺，到螢幕上的對話視窗與程式碼，我們面對的挑戰本質相同：如何在享受工具強大力量的同時，不讓大腦的肌肉萎縮？我們這代人的責任，或許就是確保在建造了令人驚嘆的AI殿堂之後，我們依然記得——更重要的是，依然「懂得」——地基是如何鋪設的。別讓未來的某一天，我們只能看著複雜的系統，感慨一句：「我們用AI建造了它，然後我們忘記了怎麼做。」
原始來源
- 文章標題： We Built It with Slide Rules. Then We Forgot How
- 來源媒體： Unmitigatedrisk.com
- 作者： rmhrisk
- 發布時間： 2026-04-01T15:50:23.000Z
- 原文連結： https://unmitigatedrisk.com/?p=1227