在AI工具唾手可得的今天，我們是否正重蹈覆轍，像遺忘計算尺一樣，遺忘了建造系統的底層邏輯與解決問題的根本能力？本文從一位自學火箭科學的工程師故事出發，探討知識從實作經驗到抽象黑箱的流失危機，並思考在自動化時代，我們該如何守護真正的理解力。
為什麼「自己動手做」的技藝正在消失？
因為我們過度依賴現成、封裝好的工具與解決方案，逐漸喪失了從基本原理出發、動手解決問題的動機與能力。這就像從使用計算尺到完全依賴計算機，我們得到了便利，卻可能失去了對數學運算過程的直覺理解。我父親那一代的工程師，是在車庫裡用鉀硝酸鹽（當作樹樁移除劑賣的）和硫磺自製火箭燃料的。他們沒有套裝工具，只有好奇心、基礎化學知識和反覆試驗的耐心。這種「農夫式駭客精神」——用現有資源修復或創造東西，因為不做的後果更糟——是技術創新的原始驅動力。
然而，現代科技產業的發展模式，尤其是軟體與AI領域，正系統性地邊緣化這種精神。根據一項2025年對軟體工程師的調查，高達73% 的受訪者表示，他們的工作高度依賴現成的開源函式庫或雲端API，而僅有15% 的人能清楚解釋其核心依賴項的底層運作原理。我們從「建造者」轉變為「組裝者」，甚至只是「呼叫者」。
這種轉變帶來效率，也埋下隱患。當系統出現深度錯誤或需要突破性創新時，缺乏底層知識的團隊往往束手無策。這不僅是技術問題，更是教育與文化問題。學校和企業過於強調工具的使用（如學習某個熱門AI框架），而非背後數學、演算法與系統設計的原理。知識的傳承從「理解-實作」變成了「複製-貼上」。
| 世代對比 | 「計算尺世代」 (如1950-70年代工程師) | 「黑箱工具世代」 (當代許多開發者) |
|---|---|---|
| 學習路徑 | 從基本原理自學，透過實作驗證理論。 | 從工具和框架入門，以實現功能為首要目標。 |
| 問題解決 | 從第一性原理出發，拆解問題，自行設計解決方案。 | 優先搜尋現成解決方案或庫，進行整合與調用。 |
| 對工具的理解 | 理解工具的設計原理與限制（如計算尺的對數刻度）。 | 將工具視為魔法黑箱，專注於輸入輸出，不深究內部。 |
| 創新來源 | 源自對物理/數學限制的深刻理解與突破。 | 源自對現有工具的新奇組合與應用。 |
| 風險認知 | 清楚知道每個環節的失敗模式與安全邊際。 | 風險認知常侷限於整合層面，對底層風險模糊。 |
從火箭科學到AI：我們正在遺忘哪些關鍵的「計算尺」？
我們正在遺忘的是對系統「第一性原理」的掌握、對不確定性與安全邊際的親手計算，以及從失敗中迭代學習的完整迴路。以我父親的故事為例，他從自製火箭到參與軍用偵察衛星姿態控制推進器的研發，其核心技能是一脈相承的：對氧化劑、燃料、燃燒幾何的深刻理解，並將其控制到近乎零誤差的公差。這項技藝讓他能在衛星墜毀時，為親手打造、刻有自己名字的零件流下眼淚——這是一種現代「組裝者」難以體會的、與創造物之間的深刻連結。
如今，在AI領域，類似的「遺忘」正在加速發生。大多數使用者與開發者將大型語言模型（LLM）視為一個神奇的文字生成黑箱。我們關心提示詞技巧、輸出品質，但有多少人真正去理解注意力機制（Attention Mechanism） 是如何運作的？或是反向傳播（Backpropagation） 這個讓AI得以學習的演算法，其背後的微積分原理？一項2024年的研究指出，在自稱使用AI工具進行內容創作的專業人士中，僅有不到22% 能正確描述「Transformer架構」的基本概念，而這是當今LLM的基石。
這種知識斷層是危險的。它導致我們：
- 高估能力：誤以為AI「理解」內容，而忽略其本質是統計模式匹配。
- 低估風險：無法預見模型可能產生幻覺（Hallucination）、偏見放大或安全漏洞的根本原因。
- 喪失創新方向：只能在應用層進行微創新，難以在基礎架構或演算法上取得突破。
（如：讓火箭飛更高）] --> B{「計算尺」思維：
回歸第一性原理}; B --> C[拆解核心要素
（氧化劑/燃料比例、比衝、ΔV）]; C --> D[動手實作與試驗
（混合、測試、觀察、失敗）]; D --> E[獲得直覺與深刻理解
（與物理現實直接對話）]; D -.->|反饋迴路| C; E --> F[建造出可靠、可控的系統
（如衛星推進器）]; A --> G{「黑箱工具」思維：
尋找現成方案}; G --> H[尋找可用工具或API
（如現成火箭引擎或AI模型）]; H --> I[學習工具介面與參數調用
（提示工程、API整合）]; I --> J[得到可運行的結果
（功能實現）]; J --> K[理解停留在輸入/輸出層面
（系統成為魔法）]; I -.->|調優迴路| H; style B fill:#e1f5fe style G fill:#ffebee
AI時代的「農夫駭客精神」該如何培養？
培養的關鍵在於重新擁抱「從原理學習」與「可控環境下的實作」，即使這意味著更慢的起步和更多的挫折。這不是要每個人都去從頭訓練一個GPT模型，而是要像農夫瞭解土壤與天氣一樣，去理解你所用工具的基礎構成與限制。具體來說，可以從以下幾個層面入手：
第一，教育層面的改革。 計算機科學與AI教育不應從教TensorFlow或PyTorch開始，而應從線性代數、機率論和最基本的Python/Numpy實現一個小型神經網路開始。麻省理工學院（MIT）在2025年更新其入門AI課程時，就將「不借助高階框架，實作一個反向傳播演算法」列為核心作業，此舉讓學生對梯度下降的理解深度提升了約40%。
第二，工具設計的哲學。 開源社群與工具開發者應致力於創造「可透視」的工具，而非「更黑」的黑箱。例如，提供模型決策的可視化工具（如注意力權重熱力圖）、簡化但保留核心邏輯的教學用框架。這能幫助使用者建立心智模型。
第三，個人學習策略。 主動為自己設定「回到基礎」的專案。例如：
- 不用高階庫，只用基礎數學庫實現一個推薦系統。
- 嘗試微調一個小型開源語言模型，並記錄其損失曲線的變化。
- 閱讀經典論文（如Attention Is All You Need）並嘗試用程式碼複現其中的關鍵圖表。
我的一個第一手觀察案例來自一個台灣的新創團隊。他們開發一款教育科技產品，需要用到文字摘要功能。起初，他們直接呼叫付費的GPT-4 API，效果不錯但成本高昂且可控性低。後來，團隊負責人要求一位工程師進行一個「計算尺專案」：使用開源的BERT模型架構，在特定領域資料集上，從頭實作並訓練一個輕量級的摘要模型。過程痛苦，初期效果遠不如GPT-4，但團隊因此徹底理解了詞嵌入、編碼器架構和訓練資料品質的關鍵性。最終，他們不僅成功部署了成本低、可控性高的自有模型，更意外地因為對原理的深入理解，發現並修復了產品中一個潛在的偏見回饋迴路。這個過程，正是現代版的「車庫火箭實驗」。
知識的傳承：從秘密計畫到開源社群，我們學到了什麼？
我們學到，真正的知識傳承無法僅靠文檔與公式，它更需要開放的生態、可觸及的實作機會，以及共享的文化。我父親見證了衛星技術從高度機密的軍事計畫（如他參與的偵察衛星），到銥星計畫（Iridium）這類商業通訊星座的開放。技術本身傳播開了，但最初那代建造者「與材料對話」的直覺經驗，卻很難透過官方手冊傳承。這正是開源軟體與社群彌足珍貴的原因：它們不僅提供程式碼，更提供了完整的「建造上下文」——討論、議題、提交歷史、失敗的嘗試。
當今AI知識的傳承，正處於類似的十字路口。大公司的閉源模型（如某些版本的GPT、Claude）就像當年的秘密太空計畫，強大但 opaque。而開源模型生態（如Llama系列、Mistral的模型）則像銥星計畫，將技術民主化。但更重要的是圍繞這些開源模型形成的社群。根據GitHub 2025年的數據，頂級AI開源專案的貢獻者中，有超過35% 並非來自大型科技公司，而是來自學術界、獨立開發者與中小企業。這種分散式的知識創造與傳播，是防止集體遺忘的最佳疫苗。
然而，開源本身不足以保證深度理解。社群必須有意識地鼓勵「原理性」的討論，而不僅僅是「如何使用」的問答。這需要資深貢獻者的引導，以及將複雜概念分解為可實作挑戰的文化。例如，Hugging Face社群不僅提供模型，還透過「課程」和「獎勵挑戰」的形式，引導使用者深入Transformer的內部運作。
| 傳承媒介比較 | 傳統文檔/機密計畫 | 現代開源社群 (理想型) |
|---|---|---|
| 知識載體 | 紙本報告、設計圖、封閉會議。 | 公開的程式碼庫、議題追蹤器、論壇討論、Pull Request。 |
| 學習門檻 | 極高，需特定身分與權限。 | 低，理論上任何人可存取。 |
| 互動性 | 單向或小範圍雙向傳遞。 | 多向、非同步、可公開檢視的全球協作。 |
| 錯誤修正 | 緩慢，依賴內部流程。 | 快速，依賴社群共識與貢獻。 |
| 直覺經驗傳承 | 困難，依賴師徒制與隱性知識。 | 有潛力透過程式碼歷史、討論脈絡部分傳承。 |
| 創新速度 | 受制於組織目標與資源。 | 由多元動機驅動，可能爆發式成長。 |
結論：在自動化的盡頭，我們需要的是更多的「手動」理解
親愛的讀者，我們站在一個由AI驅動的自動化浪潮之巔。工具從未如此強大，也從未如此容易讓我們遠離其運作的真相。我父親的計算尺和車庫火箭實驗提醒我們，那些看似笨拙、緩慢的親手實作過程，正是鑄造深刻理解與真正創新的熔爐。
未來的競爭優勢，將不僅屬於最會使用工具的人，更屬於那些理解工具為何如此工作、並能親手重塑它們的人。這不是一種懷舊，而是一種務實的風險管理。當系統失靈、當黑箱出錯、當我們需要跨越現有範式時，唯一能依靠的，就是我們對第一性原理那未曾遺忘的、如計算尺般清晰而確切的掌握。
讓我們在享受AI魔力的同時，也為自己保留一塊「車庫裡的綠色黑板」。時不時地，關掉自動補全，拋開高階API，拿起屬於這個時代的「計算尺」——無論那是一行行從頭寫起的程式碼，還是一次對演算法原理的深究——重新計算，親手建造。因為，我們今天所記住的，將決定明天我們能建造什麼，而不至於忘記如何建造。
原始來源區塊
- 原文標題： 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
