一、蜜月期結束：模型越來越強，效果卻沒有增加
佳達： 這兩個月比較像是各種新的數據出來之後，大家發現 AI 的蜜月期已經過了。
而且這個蜜月期有兩個層面。第一個是個人層面：模型好像一直越來越強，可是你的用法、得到的效果一直沒有增加，個人也遇到瓶頸，傳統那些跟 AI 互動的方式已經不夠用了。
第二種是企業也發現一樣的事情。模型越來越厲害，結果 Token 費越來越貴，但還是沒有產生任何效果，ROI 沒有增加，看不到投資效益。
所以現在又有一波新的思考。包括微軟在 7 月 3 號——大概是我們錄影前一週——做了一個非常大的戰略改變。
修平： 怎麼說？
佳達： 他們認為下一波 AI 導入到企業那一端，企業不要自己做。所以他們把過去做諮詢、做輔導的專業工程師團隊，全部拉到一間新的公司，叫做 Frontier Company。未來微軟會直接把這些工程師派到你的公司，幫你把 AI 接起來。他們覺得只有這樣才有可能幫你落地。
修平： 意思就是說，雖然他們已經做出很好用的 AI 工具，可是你們都不會用啦。我不是針對你們，是在座的各位都不會用，所以我直接建了一間公司幫你們落地。
佳達： 應該說，他們發現每一家公司都有自己很獨特的工作流程、溝通方式、資料蒐集的方法，還有跟客戶往來的各種形式。所以沒辦法用一套工具打遍天下無敵手，一定要透過他們的工程師實際到你的現場，把東西調到你能夠用為止，不然你是用不下去的。
二、FDE：工程師到你家
修平： 這件事情是只有微軟在做，還是其他大公司也開始往這個方向走了？
佳達： 是整個產業。包括之前我們說的「AI 應用第一股」Palantir，他們在二十年間就開發了一個方法叫 FDE——Forward Deployed Engineer。
修平： 工程師到你家。
佳達： 對，工程師到你家。實際看你的問題到底出在哪裡，現場 Demo、現場做 Prototype、實際測試。
一開始的原因是，他們創辦人想做的客戶是情報機關跟國防部。但問題是，沒有人知道情報員是怎麼想事情的，也不會告訴你。
修平： 你連誰是情報員都不知道啊。
佳達： 對，就算你真的遇到一個情報員，他也不會跟你講。
修平： 因為他的身份可能是一個清潔隊員，隱藏在社會裡面。
佳達： 所以他們後來發現，唯一的方法就是實際做一個 Demo，拿到那個情報單位去 Demo，然後被罵很爛，再問「那我們怎麼改」，改完隔天再來一個新的版本，Tune 到他們覺得可以、願意簽約，然後就往下做。
這個開發模式在 AI 時代有一個非常重要的啟發：我們其實不太知道大家實際的 AI 需求是什麼、要怎麼落地。最好的方式就是實際進去你的公司，看到你的問題出在哪裡。而這個問題如果你有，不會只有你有，還有很多人也有。所以這個工具只要開發一次，就可以給更多人使用——他把「客製化調整 AI 功能」變成一個產品開發的成本。
修平： 感覺之前是開發 AI 模型、讓它變得非常強大，可是下一步是具體的運用場景是什麼。大家要累積更多場景的知識，這個模型才會真正落地。
三、Vibe Coding 不行了：你做得出來，但維持不住
佳達： 而且不只企業端，個人端也是。
大家之前很紅一個詞彙叫 Vibe Coding（氛圍編程），好像你可以直接用自然語言，AI 就幫你做出很好的東西。發明這個詞彙的人叫 Andrej Karpathy，他是 OpenAI 的共同創辦人，也是把整個 Tesla 視覺 AI 系統做起來的人。
他在半年前認為 Vibe Coding 會改變世界。但這兩個月內他改口了，他覺得 Vibe Coding 不行了。
修平： 真的假的？
佳達： 他發現，你花了很多時間跟 AI 溝通討論出來的東西，最後根本沒辦法被維持。因為 AI 是依照你當下的需求做出一個類似原型的東西。
比如你做好一個網站，第一個 Moment 看起來很漂亮，但一個禮拜之後它掛掉了，你完全不知道哪裡掛掉。後面的資料要放在哪裡、怎麼蒐集，或者就忽然露出去了，甚至 AI 做了一個動作就把你的網站給刪掉了。你做了一個東西，一開始很漂亮，結果根本沒辦法維持它。
修平： 完全就是這樣。因為我們也用 AI 做了很多工具，一開始覺得真的太爽了，兩個小時解決過去工程師要開發一個月的東西。結果第二個禮拜馬上就出現問題。
四、Harness Engineering：給 AI 一條韁繩
佳達： 所以他們提出了一個新的 AI 開發模式，叫 Harness Engineering。Harness 翻成中文就是馬具。
他給了一個類比：現在我們用 AI 很像在遛狗。你不能讓牠到處亂跑，所以要給牠戴一條韁繩。每次溜牠出去，牠不會每次都走一樣的路線，但牠大概知道要怎麼走，而且牠爆衝的時候你拉得住牠。我們需要有一個馬具、一個控制 AI 的東西牽在手上。
前陣子我自己的 YouTube 頻道要開張，第一個訪談就訪問到微軟這家 Frontier Company 的首席設計師。他認為未來所有的 AI 開發路徑就是三件事：你要先學會怎麼規劃，再學會怎麼評估 AI 做出來的東西能不能用，最後是怎麼迭代跟優化。他認為未來每一個人、不管是個人或企業，你手上最重要的這三條韁繩沒有先學起來，AI 做出來的東西都不能用。
修平： 你講這段我感觸太深了。我們大概用 AI 做出 100 個工具，你會發現有 80% 可能就壞掉了，剩下的使用頻率也沒有那麼高。
佳達： 80%？你們這已經算不錯了。我前陣子看到有人在統計，大家用 Claude 做出來的 Skill 有 90% 是垃圾。垃圾的意思是說：你有沒有做根本就沒有差，甚至如果你不做、直接叫它做，它可能做得還比你好。
這也是我很多學員一個很大的迷思——他們以為用 AI 做出來的東西就會比較好用，但他們少做了一個測試的階段。甚至有人自我感覺良好到，覺得自己做出了一個超級無敵的工具，這個東西可以賣錢了。我就說：好吧，那你先把這個工具關掉，拿一樣的對話去問 ChatGPT，看它會不會回答你一樣的東西。然後他發現，欸，真的耶，品質好像沒有比較好。
修平： 你都還想賣錢，你想太多了。我之前準備師父商學院的訪綱的時候，就寫了一個 Skill 去訓練。後來發現，因為現在的 AI 都有記憶功能，它大概知道我的取向是什麼、我想要什麼，所以我直接問 Claude 或 GPT，答案已經還蠻不錯了。有沒有那個 Skill 根本就沒有差。
五、真正的「訓練」：分成訓練組與測試組
佳達： 所謂 AI 蜜月期過了，意思就是這個時候需要一些專業的概念進來了。這裡面需要的，是我們在做機器學習裡面非常專業的訓練手法，這樣才會讓你的東西更準確。
我蠻多學員也在做類似的事情，然後發現自己訓練效果不太好。第一個問題是：你想到的「訓練」是什麼？
我最近剛做完一個諮詢，他說我想要做 CEO 日記那種型態的訪談節目模式。我說好，那你要怎麼訓練？他說，我就去下載他幾集節目，叫 AI 幫我統整一下他怎麼訪問，然後幫我做出訪綱。
大家的思路都是這樣。但這樣的做法，基本上你有沒有訓練沒有差。
修平： 那到底要怎麼訓練它？
佳達： 你應該做的是，把蒐集到的資訊分成兩塊。
假設我們從 CEO 日記裡面下載 100 個訪談好了，把它分成 50 個、50 個，一組是訓練組，一組是測試組。
訓練組拿來做基石：用這 50 個建立「這個主持人是怎麼設計、怎麼選材、怎麼設計訪綱的」，它就給你一個基本版的技能包。
有技能包之後才開始優化——訓練是這時候才開始。比如他其中某一集訪問 Joey，我就先給 AI 這位來賓的背景資料，然後問它：你用這第一版的技能包，會怎麼問？它就會列出一版問題。然後你馬上打臉它：不對，實際上主持人問了這些題目，請你分析為什麼你會錯這麼多題。
這樣才有訓練到它。因為那 50 個是他真實的訪談，你是在測試你的 AI 到底有沒有用。
修平： 所以它會說：我發現我之前沒有很了解這個主持人，原來他很重視來賓的個人故事、很重視金句。
佳達： 對，然後它就調整出版本二的技能包。
修平： 那什麼時候要停止？
佳達： 繼續訓練，訓練到比如這 50 題可以對 40 題，這個技能包就準到不行了。
你們就是少了這一段——傳統上最專業的機器學習訓練方法。AI 不是那種你想一想、跟它聊聊天，東西就會出來的。你要知道業界到底是用什麼方式去創造那個馬鞍、怎麼指揮 AI 做出專業的東西。
修平： 大部分的人做訓練，應該只會做前面那一段：把 50 個訪談丟進 AI 叫它歸納背後的原因是什麼。然後你在用的時候發現，其實也沒有什麼特別的地方。但關鍵的是後面那一步——用裡面的矛盾去 challenge 你的 AI 模型，而且叫它優化，每次改完再優化。
佳達： 而且重點是，你指揮 AI 的方法——對我來講，後面那 50 次是最簡單的。為什麼？我就寫了一個提示詞：你每一次幫我優化，最後優化到 50 題要對 40 題，優化好叫我。然後我就去睡覺了。
修平： 它真的可以預測主持人會問什麼問題，而且預測得很準嗎？
佳達： 對啊，它就是每次每次幫你調，慢慢調出你想要的樣子。
你要做到這件事情，要有幾個標準。第一，你要知道你想做到什麼程度。第二，你要知道要優化到哪裡。像我們在訓練的時候會說 overfitting——如果最後 50 題裡面 45 題都對，那也不行。
修平： 為什麼？
佳達： 因為那時候 AI 就開始鑽牛角尖了。它會想：我要模仿主持人，連發語詞、中間的詞彙都要一樣。它會強迫自己讓出來的文字一模一樣，那寫出來的東西會非常乾。
修平： 變縫合怪了。
佳達： 所以中間會有一個最適的狀況，可能 80% 到 85% 的準確度是最理想的值。最後你可能還是需要自己稍微修改一下，但那個東西絕對是很好用的。
修平： 我今天聽你訪談的一開始覺得非常焦慮，因為你說 AI 工具這麼多，可是大家還不會落地。可是你後面又告訴大家一個具體的訓練方法，瞬間覺得好像沒那麼焦慮了，好像有一個可以努力的方向。
六、大模型只佔 10%
佳達： 現在大家已經發現，指揮 AI 比學工具重要非常多。甚至有人給了一個比例：你在使用 AI 就是兩件事，大模型，加上我們剛剛講的 Harness 這個指揮 AI 的方法。Joey 你猜猜看，比重是多少？
修平： 我覺得 Harness Engineering 應該要佔到 80%。
佳達： 其實大概 90%，大模型就是 10%。大模型再強，你不會指揮它都沒有用。
修平： 因為現在 AI 模型發展得越來越厲害，比如 Claude 最近又出了 Fable。但我就在想，是不是其實大部分人根本就不用用到這麼高級的模型？
佳達： 是。而且我覺得大家對於 Fable 這麼焦慮這件事情，也非常有趣。
修平： 你先跟大家解釋一下 Fable 是什麼好了，可能有些人沒有追 AI 這麼勤。
佳達： 就是 Claude 推出的一個新模型，號稱完全吊打過去所有模型的強度。強到什麼程度呢？比如它可以拿來發現你的資安漏洞；或者像之前最多人玩的一個應用——它可以幫你模擬出我們小時候打過的那種三國志戰略遊戲。你輸入「赤壁之戰」，它可以直接畫出一個 3D 場景，裡面有很多士兵在打仗的戰略模擬。一句話而已，就好像直接做出一個 3D 大作。
後來大家都覺得這個東西太好用了，我那時候也是第一時間就瘋狂投入。結果兩天之內，美國商務部就收到一個檢舉，說因為這個太強大了，有機會去攻擊很多不同的網站，所以決定暫時把它下架，所有外國人都不能用——包括 Claude 的員工，如果他是外國籍也不能用。
修平： 可是美國人可以用？我以為是全世界封起來的。
佳達： 很 tricky。那最近就解封了，解封之後 Claude 發現大家好想用這個模型，可是這個模型對它的內部成本非常貴，所以就說那我們開放到 7 月 7 號，如果你有訂閱 Claude，就可以在訂閱額度裡面免費用，超過就要付費。
然後大家就開始瘋狂焦慮。我也是啊，那時候我去日本出差，前一個晚上完全沒睡，一直在那邊用。
修平： 只剩三天了、只剩兩天了，不然來不及了。
佳達： 結果 7 月 7 號它就說，我們延期到 7 月 12 號。
七、被抽掉的風險，與「火力全開」的三層任務
佳達： 這給我幾個啟示。
第一，你所有的模型都很有可能一夜之間就被禁掉。包括最近路透社報導，中國其實也在規劃一些反制措施，有可能連開源模型未來都會用國安原因禁止輸出。所以你可能某一個模型用得很順，忽然間就被抽掉，而且你完全沒有理由。不要只依賴某一種特定的模型，這是我學到的第一課。
第二，我現在開始會把自己對 AI 開發的規劃分成三個區塊。第一區塊是近期一定會馬上用到的事情；再來是那種三個月、六個月之後我想做的進階版本，你可以隨時記錄這些事情。所以像 Fable 這種很厲害的模型一出來，馬上就拿來用，就可以把未來半年、一年的規劃全部先做完。
還有一塊是我們剛剛講的——你要設計幾個指揮 AI 的系統。如果你額度沒用完，就可以讓 Fable 幫你優化：優化你的資安、遇到什麼問題會去調用哪些不同模型的方法，或者怎麼管理你的技能包。你有一套自己的優化方式。
所以如果你的資料夾裡面永遠有這三種類型的任務，你就不用擔心你的 token 用不完。像我自己設計了一個技能包叫「火力全開」：比如我還剩一天、還有多少額度沒用完，我就打開它，它就會把所有待辦清單的任務一個一個開始完成，而且是直接開 100 個、200 個並行的 agent 幫我做完，一個小時把我所有 token 燒完。
修平： 你用了 AI 以後，工作時間有下降嗎？
佳達： 當然沒有啊。我沒有遇到那種用 AI 之後工作時間下降的人，反而都是變多了。因為 AI 會叫你做一堆事情，然後你就很焦慮。你會發現 AI 可以做這麼多事情，就更焦慮地覺得，那我可以做更多事情、創造更多價值。
八、實際演練：怎麼訓練一個「修平分身」
修平： 那我們來一個實際的應用案例。比如我現在要寫很多文章、很多影片腳本，我以前的做法就跟你之前講的一樣——把我過去做過的東西丟到 AI 裡面，叫它拆解我的風格跟寫作方法，最後產出來的東西就是不能用。那現在按照 Harness Engineering，我下一步應該要怎麼做？
佳達： 我就把你寫過的文章、做過的節目分成兩塊：一塊做訓練基本版，一塊做優化迭代。而且都要拿你實際寫過的東西，這樣我才可以馬上驗證，不要讓它猜。
做完第一版的「修平文稿產生器」之後，就拿你最新寫的一篇文章——比如〈AI 會不會崩盤〉——先給它大綱架構，問它：如果是這個架構，修平會怎麼寫？它就會先列一個版本，一定錯得亂七八糟。然後把你真實寫的版本丟給它。
重點是，你要叫它去比較：這兩個版本你覺得差在哪裡？為什麼你原來技能包的架構寫不出這個東西？請你優化第二版。然後再拿下一篇訓練它。訓練到大概 8 成的準確率就先停止，馬上回去試看看。
這其實可以用在所有的學員身上。比如我有一個學員，他是電子廠某個事業單位的主管。他現在主要的工作是蒐集來自工廠、行銷單位、各個不同部門給他的數據跟回報，整理出他看到的洞見跟想法，每個月跟董事會呈報。
他就覺得，如果可以做一個 AI 工具，幫我先蒐集好所有東西、整理完，做好一個給董事會的草稿就好了。但他怎麼做都沒有用。
我就說，你就少了這一段。你要用你過去 12 個月每個月拿到的資料，讓 AI 解讀一次：如果依照這個資料，你要怎麼呈報給董事會？讓它寫一個草稿版本。然後你打臉它：不對，我後來是這樣做的。AI 就會發現，原來你是從什麼角度切入、還需要蒐集什麼樣的東西，然後幫你再優化一版。
他輸入了 12 個月過去的資料，跟 AI 做這樣的對比之後，現在準確率 85%，他現在都不用自己再重寫了。
修平： 就像你剛剛講的，準確率還不能太高，如果 100% 就會牽強了，它會去模擬你每個字的用字，看起來非常死板。
佳達： 現在大部分企業主管，或者你自己希望訓練一個你自己的分身夥伴，其實都是少這一段，所以最後就會有很大的差距，沒有辦法用。
修平： 我覺得在選材的時候也很重要。比如我們要選 100 篇出來，那 100 篇要是我自己覺得很滿意、而且是可以用的。
九、評估標準：你自己要先知道什麼叫好
修平： 所以在 AI 時代，駕馭 AI 最重要的就是我們剛剛講的三個步驟：怎麼讓 AI 協助你做規劃、規劃出來的東西不要少了哪些部件，再來就是怎麼評估。
佳達： 評估就是你要告訴 AI 你的標準在哪裡。
修平： 這件事情其實我覺得對大部分人是難的。
佳達： 每次我諮詢完最多的一個問題就是：「老師，我怎麼知道 AI 這樣做東西好不好、夠不夠用？」我說，這要問你啊，怎麼會問我呢。你要做一個自媒體頻道、要寫腳本、寫一份報告、寫一個商業企劃書，你要自己知道什麼叫對你來講是好的東西。
修平： 但如果他真的不知道怎麼辦？
佳達： 我就會讓他做另外一個延伸的事情。在 AI 時代，最重要的一個基本原則或功課就是：不要從 0 開始，什麼時候都不要從 0 開始。
修平： 像你最常講的對標。
佳達： 對。我最近有一個諮詢案例，他是台中一家工具機廠的銷售長。他的困難是，客戶來的需求也不是一個格式化的東西，他要先想辦法把它變成可以產出報價單的格式，這就已經很麻煩了。再來是，他們不知道要給客戶的報價單該長什麼樣子——是不是要圖文並茂，讓客戶一看就懂我們新的機台長什麼樣、需要哪些規格、需要他們補充哪些資料。
我就說：蛤，你賣了十幾年，你還不知道怎樣的報價單最好喔？好，那沒關係。
修平： 不要嗆他。
佳達： 那我們想一下，所以你要怎麼辦？我就讓他透過深度研究，直接去搜尋英文、日文、德文、西班牙文相關廠商的報價單範本，AI 先幫我們篩一輪，每個語系挑出前三名的範本。那你挑一個你喜歡的版本，總可以了吧。
所以你沒有需要從 0 開始。在 AI 時代最棒的地方就是，AI 就是你最好的槓桿，因為這個世界上 99% 的問題，基本上別人都已經遇過、已經解決過了。
修平： 我跟你的邏輯非常像。我在做課程的時候，比如我要做一個財商課、或是一個麵包課，因為這世界上已經有非常多的財商課跟麵包課了，所以我第一件事情就是叫 AI 去搜尋美國、中國、或全世界賣得最好的前三名課程是什麼，然後去拆解他們到底是怎麼做的——設定、風格、教學方式等等。
但我發現大家有 AI 之後會覺得，好像我跟 AI 討論出來的東西，用那個就覺得很不錯了。可是如果你多了一個動作：我今天做任何事情之前，先問 AI 這個領域最好的 best practice 是什麼，然後讓 AI 從這個起點開始跟你討論，那不是更好嗎？
十、指揮 AI 的三個層次
修平： 可是這會不會變成有點像，我們還是在記提示詞、記 prompt？你要真的會問才有辦法得到好的答案，可是大部分的人是不太會問的。
佳達： 在指揮工程裡面大概有三個層次。
最低的層次是提示詞工程，你在記提示詞。
再上一個層次叫上下文工程：你要告訴它「我要理解修平，我要拿他過去的作品、他過去做過什麼事情」，你要給它夠多的上下文，讓它知道那個脈絡。
但到第三個層次，就不只是提示詞跟上下文了，還包括什麼時候該用什麼東西、什麼時候要用什麼樣的模型去解決什麼不同的問題。這才叫做指揮。
我們訪問到微軟那位設計長，他有一個很好的譬喻。他說，過去我們用 AI 比較像是：今天要煎個蘿蔔糕，我就打開 YouTube 看一下有沒有人煎蘿蔔糕的影片，然後就來煎。這是我們過去在 vibe coding 的方法。
但你現在想 AI 應該是想：一個米其林的廚房長什麼樣子？它需要什麼設備？而這些設備其實每一個都已經有人開發好了。所以你只要先把一個米其林的廚房建好，然後試跑幾個 project，確認這個廚房是這樣運作的——先把你自己的指揮空間做好。
所以像我自己在新的 AI 超級大腦課，想法也是：我們過去在學 AI，其實是誰在學？是你在學。我們好像要透過人去記提示詞該怎麼下、問題該怎麼問。太累了，很多人其實很難學會。
那我們反過來——如果我們的 AI 已經會了提示詞工程、上下文工程，也會了 Harness 這些指揮的方法，你在遇到困難的時候跟它討論，它告訴你該怎麼把這個廚房使用起來。這個模式會不會比較簡單一點？
修平： 所以以前人家在教 AI 會教很多提示詞跟用法，可是大家學完以後還是不會用。你現在的解決方式就是，你不教人了，你直接教他的 AI，他的 AI 會就好了。
佳達： 對。而且學會一個東西最好的方法，就是實際拿來用、解決你的痛點。很多人說他感覺不到 AI 對他的改變，是因為他從來沒有把自己的痛點拿來實際解決過。
所以對我來講，我現在的重點不是教你會多少工具、會怎麼 vibe coding、會怎麼用技能包，而是你告訴我，你到底遇到什麼困難。
十一、那位想學 Python 的師父
佳達： 我講一個真的超級有趣的諮詢案例。我有一次遇到一個佛教的師父，已經快超過 60 歲了。他跟我說：老師，請你教我怎麼樣用 AI 來訓練我寫 Python 程式。
我說，蛤？你從來沒有學過程式，為什麼現在要學 Python？
他說他想要重新建立他們寺廟那個法會系統，因為 20 年沒換了，而且那個供應商早就不知道去哪裡了。他跟 AI 討論完之後，AI 說這個法會系統需要用 Python 來寫，所以他覺得那我就要去學 Python 了。
我說，應該不是這樣吧。你的痛點是什麼？你要知道你的目的跟結果是什麼，不是中間的工具是什麼。
你的痛點是要做出一個法會系統。那法會系統可以怎麼做？Python 也只是一個工具。所以重點是，你應該學習的是「我要怎麼用 AI 幫我拆解：一個法會系統包括哪些部件、各自要做到什麼程度、可能長什麼樣子」。這個規格出來了，AI 幫你開發就好啦。
修平： 就掌握到說，我們要有報名系統、要有塔位的系統、收費機制等等。只要架構出來了，你只要知道 AI 要做到什麼程度，然後要求它幫你做出來就好。你自己去學 Python 幹嘛，這就完全搞錯重點了。
十二、哲學系的逆襲，與 80 個思考習慣
修平： 那我們要怎麼讓我們的 AI 可以做到這種程度？
佳達： 最近剛好有一個有趣的數據。6 月經濟學人有一個調查，大家覺得是「哲學系的逆襲」——哲學系突然變成熱門科系了。從 2024 年生成式 AI 開始之後，美國哲學系的就業率竟然比資訊系還要高，而且很多矽谷公司開始招哲學家或哲學系畢業生。
修平： 他們在幹嘛？
佳達： 他們在研究「什麼樣的人類指揮 AI 的互動系統是最有效的」。為什麼哲學系會吃香？因為他會批判思考，他知道怎麼跟 AI 做追問、做深度的互動。而這其實就是人類很底層的、這一兩百年來被證明有效的思維邏輯。
所以我那時候就想，那我要怎麼找到全世界最有效的人類底層思維邏輯是什麼？那時候就遇到了密涅瓦大學。
這所大學很特別，它一開始就強調：我不教知識，我要教你的是人類底層的思考方法。他們組了一個以哈佛大學為主的研究團隊，研究了 10 年，整理了這 200 多年來人類所有最有效的思考方式，拆解成大概 80 個思考習慣。
我就覺得，AI 時代就是要學這個啊。因為當你學了這些底層思維模式之後，你就可以要 AI 幫你去做到裡面的這些思考。
比如我們剛剛講了一堆訓練 AI 的方法，其實講白了，就是其中一個思考習慣叫做最佳化。怎麼設計出一個技能包、怎麼讓它持續被優化——我們剛剛講的那整套訓練邏輯，就是最佳化而已。
所以如果你的 AI 懂最佳化這件事情，你就可以直接跟它說：請幫我用最佳化設計一個技能包，把陳修平 AI 分身的技能包優化到 80 分。結束了。
你只要知道怎麼指揮它，而且 AI 也聽得懂，你跟它有一個共同語言——而這個共同語言來自於人類過去一兩百年來真實的智慧結晶、底層的思維邏輯。後面 AI 就可以幫你把事情做完。
修平： 可是密涅瓦的思考習慣有 80 個，我還是要記住這 80 個、還要知道裡面有「最佳化」，我才能告訴 AI。那我如果記不起來怎麼辦？
佳達： 你不用自己記啊。你可以跟它講：我現在要進行優化的動作，你建議我用哪一個思考習慣？這個思考習慣怎麼運作？順便學一下。然後你覺得這個思考習慣可以，你就叫它做。
十三、肉與骨頭：2000 份病歷的案例
佳達： 我最近遇到另外一個學生很有趣。他是一個醫生，之前在大醫院工作了十幾年，累積了大量的病歷，現在決定要自己出來開診所。他手中有大量「怎麼樣讓小孩長高」的案例——幾歲、骨齡多少、各種身體狀況、後來用什麼療法、是否有效——他有 2000 多份數據。
他有一次諮詢就問我：老師，這 2000 多份數據，我要怎麼樣讓它在未來只要有新的病人來，就可以告訴我建議的療法應該是什麼？
我就說，AI 哪有那麼聰明。你以為丟給它 2000 多份數據，它就可以自己生出一份最佳轉骨秘方？
你要做這些事情，至少要有兩個東西：一個是肉，一個是骨頭。
肉，你有了，就是你有 2000 多個例子。可是你沒有給它骨頭。所謂骨頭就是，你要告訴它「長高」背後從西醫的觀點有哪些過去的實證研究、哪些理論基礎、整個研究的架構。你沒有給它，它怎麼分析？它只是得到一堆數據點，而且裡面可能有很多雜訊，AI 不知道你要什麼。
那這個時候怎麼辦？我們說的 80 個思考習慣裡面，其實有很多大家都知道。像如果你唸過研究所，所有基本的研究方法——問卷、實驗、量化實驗——它全部都是其中一個思考習慣。換句話說，只要你讀過碩士班、讀過研究方法，你都可以叫 AI 幫你用這些研究方法直接做出這些研究。
所以對這個醫生來說，應該讓 AI 幫你用這些研究方法去搜尋、把骨頭建好，再搭配你的肉去做分析，你的技能包才是完整的。他當然也知道這些研究方法，他只要知道這些方法可以怎麼用、用在哪裡，然後叫 AI 幫他把研究補完，骨頭就長出來了。
你現在會覺得 AI 不夠好用，是因為你沒有給它一套方法論跟一個思考架構——你沒有那個馬具、沒有那條牽繩。繩子一放上去，你會突然發現，怎麼就可以解決你的問題了。
修平： 不然它就爆衝了。
十四、不要做大神分身，做你身邊的人的分身
修平： 那還有另外一種用 AI 的方式：之前我們在做 AI 分身的時候，是請 AI 分析我們自己的做事方法。但有些同學會想，分析我自己有時候沒那麼有用，因為我可能在很多地方並沒有那麼厲害。所以最好的方法是不是調用那個領域裡面的大神？比如今天我要問投資意見，我就做一個巴菲特的 AI；我創業需要想法，我就問 Elon Musk，用他們的角度來回答我。
佳達： 這也是為什麼我說 AI 的蜜月期過了。之前很多人在做巴菲特顧問、馬斯克顧問，但其實後來都沒在用。
原因是什麼？如果你少了我們剛剛講的那段訓練流程——你知道巴菲特各種邏輯，但你有沒有辦法實際聽他講某一個標的他怎麼看，然後持續去驗證他？如果你沒有這種訓練資料，最後都停在抽象概念，你沒有辦法驗證巴菲特真的會是這樣想的。這樣訓練出來的東西，跟你聊聊天可以，但要實際落到實處是沒有用的。
修平： 就是要用剛剛的方法：比如巴菲特曾經對台積電發表過一些想法，但你不要告訴 AI，你就說「如果你用這個邏輯，你會怎麼講台積電」，然後把它講出來的答案跟他實際講過的東西疊在一起，看哪邊是對的、哪些是不對的。但問題是，你很難找到巴菲特評論某一隻標的這麼多的細節，其實很難訓練出這個東西。
佳達： 而且還有另外一個大神分身不好用的原因：我們沒有去拆解他的想法。
你可以想像，人的思考比較像是一個黑盒子，裡面有他過去的各種經驗、他自己的思考，甚至他的信仰。你得到的都是「他遇到這個狀況會這樣想、會這樣處理」，但那不是你啊。套到你自己的問題，他也許不是這樣想的，而你永遠無法求證。
所以為什麼我們要用像密涅瓦這種思考習慣的架構？思考習慣是在幫你拆解。假設我們把修平的 10 篇演講稿拿去分析，發現修平最常用的思考習慣就是這 5 個——我就可以拆解了，下次還可以再做驗證。
我們把這個叫做思考外部化。如果你要讓你的決策更進步，或者讓決策成為一門科學，它要做到兩件事：第一，它可以被驗證。第二，它可以被優化——被驗證之後，如果我們換一個思考習慣，比如在修平這 5 個思考習慣上加另外一個，結果會不會比較好？你去試驗看看。
如果它不能被測試、不能被優化，那你的思考就是一個黑箱，你永遠沒有用。
修平： 所以你的學生們在做什麼樣的分身是有用的？
佳達： 比如老闆分身。有個學生把跟老闆之前的 email 全部丟給 AI 超級大腦，它就跟他說：你的老闆很重視這 3 個思考習慣，所以未來你每一封給老闆的信，請轉化成這 3 個思考的語言，重新設計你的內容。
你會發現，不要再去拿一些大神、想說從大神那邊可以得到什麼新的東西了。拿你身邊真的會對你產生影響力、有利害關係的人，先來分析他們怎麼想事情，這個對你才會有直接的效果。
修平： 所以如果我公司的同事要分析我，他就會發現，我每次在講事情的時候都會說：你不要問我問題，你要給我選項。比如你今天提出這個問題，你應該要先有想法：選項 1、選項 2、選項 3，而且你要說你覺得哪一個選項比較好。那下次他再回信給我的時候，他就會這樣做，那我就會覺得他很厲害。
這是什麼思考習慣？
佳達： 決策樹。決策樹的概念是，我可以把你未來所有可能遇到的情境全部先畫出來，每一條可能會遇到什麼樣的結果。甚至如果你更厲害一點，你可以算出每一條的期望值，直接還給你一個量化的決策：現在有 A、B、C 三條路，A 的效益多少、B 的效益多少。
修平： 你會不會喜歡？如果我同事發這個信給我，我整個人要瘋掉了，比我自己想的還要透徹。
佳達： 所以這些人類底層、被證明這一兩百年來最有效的思考習慣，為什麼有效？因為大家真的在用——商學院、頂尖的顧問，都是實際在用這些思考習慣的。現在 AI 的好處就是，它全部都變成所有人都可以拿得到的東西。
修平： 所以像巴菲特、Elon Musk 這些名人，他們在思考問題的時候，其實也會呼應到密涅瓦的 80 個思考習慣嗎？
佳達： 一定的啊。巴菲特其實用很多證據基礎，因為他論證還蠻強的。馬斯克最有名的就是第一性原理。
十五、第一性原理：鐵達尼號上該搶的不是救生艇
佳達： 第一性原理你可以想像它是兩個思考習慣的組合：問對問題跟拆解問題。基本上就是先釐清你要的目標是什麼，然後慢慢拆解到——最後到底什麼東西會讓這個目標達成？我們說那是一個障礙，這個障礙移除了，目標就達到了。
我們最常舉的例子，後來也成為哈佛商學院一個很著名的案例：鐵達尼號。大部分的人問錯問題，他們沒有用第一性原理。
鐵達尼號上大家在幹嘛？大家在搶救生艇。那請問一下，如果我們的目標是活下去，救生艇到底是我們的障礙還是限制？——障礙是你可以動的東西，限制是你不能動的東西。
修平： 是限制啊。
佳達： 對，可是大家去搶救生艇，代表大家覺得它是可以動的，把它當成障礙。可是你看，第一，救生艇不夠。第二，你在搶的過程當中，很有可能被旁邊的帶槍侍衛擋下來，或者被其他很飢渴的人直接擠到海裡面。你還沒有機會活到後面拿到救生艇，你就 S 掉了。所以它絕對不是幫你達到「活下去」這個目標最好的障礙。
那到底活下去的障礙是什麼？後來大家回過頭來看很清楚：失溫。
所以重點是，你那時候應該趕快去想辦法拆門板，拿在手上。等到船開始傾斜，第一個把門板丟下去，你就站在門板上。
修平： 大家每次都覺得，為什麼 Jack 不上來、為什麼讓 Rose 在上面？
佳達： 如果他們一開始就搶了兩個門板，不就沒有這個問題了嗎？
修平： 就沒有這個電影了。
佳達： 這就是第一性原理。一開始大家在思考的是「如何拿到救生艇」。
修平： 那個救生艇，就像你剛剛那個學生在想要怎麼學 Python。但你不見得要學 Python 才能做成這個系統，你不見得要拿到救生艇才可以活下來。
佳達： 而且上次我們跟微軟首席設計師聊天的時候，我跟他分析我們剛剛講那個事業部主管的例子。他就問我：你確定他有問對問題、有第一性原理嗎？
我說什麼意思？
他說：因為如果他現在真的做出一個 AI 技能包，可以直接幫他收整所有數據、直接生成要給董事會的建議，那我還要這個人幹嘛？你覺得董事會如果知道了這件事情，我有這個技能包就好了，我還要這個人留下來幹嘛？
所以反而回到——對他來講，他的價值的第一性原理到底是什麼？這其實是他可能沒有想清楚的事情。搞不好做出來對他更可怕。因為他的目的不一定是要解決問題，可能是要升遷加薪、希望他的價值被看到。結果後來當董事會發現，他所有的判斷跟決策都可以被複製，那就不用這個人啦。
修平： 好腹黑喔。
十六、100 場諮詢的心得：痛點是跨領域共通的
修平： 你現在已經有過幾場諮詢了？
佳達： 已經超過 100 場了。
修平： 你自己最大的心得是什麼？因為你已經被這 100 場給訓練過了。
佳達： 最有趣的事情就是看到大家真實的痛點。因為前面提到 FDE 這個開發流程，它真的非常合理——我會看到某個學員的議題，其實在跨領域大家都可以使用。
我裡面看到一個最有趣的例子：這位學員是做 NGO 的，他們沒有什麼錢做教育訓練，但要做大量的志工培訓。後來就幫他們設計一套技能包，可以把他們之前所有的教材直接拆解成每個 7 到 8 分鐘的小知識點，用創辦人的聲音來配音，AI 直接把逐字稿轉成簡報、簡報變影片，再配上創辦人的配音，小小的知識影片就做好了。今天這個專員需要上這 10 堂課，他就登入系統看這 10 堂課，這個系統就完成了。
結果後來發現——怎麼我跟好幾十個中小企業的老闆聊，他們也遇到一樣的問題。
修平： 要做教育訓練。
佳達： 對，他們做教育訓練很煩，要請講師，教學還不一定有用，每次教一兩個小時大家也吸收不了。同樣一套系統、這個技能包，他們只要換個知識庫也可以用。
所以透過這樣實際去看到大家的痛點就知道，原來很多事情其實是同一套東西，就可以在不同領域直接開花結果。
我現在也會覺得，很多要投入 AI 顧問或 AI 新賽道的新創公司，第一件事情應該就是先做 FDE 這個角色：實際駐點到你所有客戶裡面，看到他們真實的問題是什麼。而且這個問題不是只為了幫他們解決、賺顧問費而已，而是你要從裡面找到——你下一個最通用的產品會長什麼樣子。
修平： 這會不會是一個好生意？
佳達： 我覺得這一定是個好生意。現在大家最大的痛點就是我們講的：蜜月期過了，無法落地。你不可能繼續燒錢，模型再怎麼進化，還是解決不了我公司的問題，那就需要現場的工程師真的幫你做。
十七、AI 時代要培養什麼人：Echo team 與 Delta team
修平： 那如果我們真的要去做 FDE，或者現在焦慮的父母們要怎麼培養小孩，讓他未來能夠做像 FDE 這樣的工作？
佳達： Palantir 的 FDE 團隊裡面會分成兩個小組，一個叫 Echo team，一個叫 Delta team——如果有在看軍事片的話，就是海豹部隊的分類。
Echo team 的人有兩個特色。
第一，他們其實叫做「異教徒」：一定要對現況不滿。他會對現況一直嫌東嫌西，一直覺得一定會有更好的方式。所以如果你沒有培養自己或培養你的孩子這種特質，他很容易安於現狀，他就不會是一個 AI 時代很好的開發者。
修平： 批判性思考。
佳達： 而且除了批判之外，他還會想「怎樣會比較好」，他會一直去找——建設性的批判性思考。
第二個，他們要有抽象化的能力。因為 FDE 很耗人、很耗成本，你要駐廠、要實際幫客戶解決問題。Echo team 的人還有一個任務：他要去想，我在這裡解決的事情，可不可以在 B 客戶也用一下、C 客戶也用一下。他知道這個任務或工具做一次之後，能不能在別的場域泛用。
修平： 可遷移性要有。
佳達： 這兩個能力會是未來你要訓練自己或訓練孩子的方向：怎麼讓他成為一個建設性批判的異教徒，再來是他可以很容易地從單一問題當中抽象出更廣泛適用的原則。這其實不容易，但反而會是下一個世代最重要的能力。
再來，Delta team 跟 Echo team 完全不一樣。Echo team 比較像是在找方向、找問題的人，Delta team 就是實作。所以你另外一個在 AI 時代最需要培養的能力是：你要有各種不同的方式，很快做出原型、很快試做、很快改。
Echo team 說「我們覺得應該做些什麼事情」，像 Palantir 是當天早上開完會，下午就做出一個新的原型，隔天就可以給客戶看。你要有這種快速試錯、快速產生原型然後優化的能力。
修平： 我自己在做生意的時候其實也是這樣。有個 idea，我覺得不錯的話，真的就會想要下午馬上開始執行。比如早上想到一個下廣告的方式可能可以優化表現，我下午就實作，實作完再看看有沒有跟預期一樣，這樣不斷迭代，進步就會很快。只是因為現在有了 AI 工具，那個迭代的速度可能是以前的 10 倍、50 倍、100 倍。
佳達： 以前的產品經理不會做原型，他要等工程師做；現在產品經理自己都會做了。換句話說，現在「做出原型、快速試錯」應該是每一個人的基本技能，而且你沒有藉口說你不會技術就做不出來。
修平： 這個是哪一個思考習慣？
佳達： 驗證假說——建立假說到驗證的過程。其實建立假說也是一個蠻重要的思考習慣。為什麼要有 AI 的另外一個原因是：你自己想到的假設可能只想到一兩個，可是你可以請 AI 幫你補 10 個不同的假說去挑戰你。
像我們自己有一個學生是中醫師，他超 cool 的。他覺得這 80 個思考習慣都是西方的，那他讀的都是中醫的經典，他要怎麼用？他很苦惱。後來他說，那不然我就請 AI 幫我用這些批判思考的習慣來批判我好了。
所以他現在設計了一個技能包：對這個病人下了什麼方子、原因是什麼，丟給 AI，然後 AI 就會用批判思考的各種方式去折磨他、拷問他——為什麼是這樣？如果用什麼角度來看的話，可能有別的可能性，你有沒有想到？
修平： 他找了一個 Echo team 去挑戰他。我覺得這也是個很棒的用法。中西方雖然對一些觀念的說法不同，但背後的原理可能是一樣的。
佳達： 像中醫也講「辨證」，但那個辨不是辯論的辯，是辨識的辨，比較像是怎麼去區辨不同問題的類型。對我來講，這兩件事情不會是完全沒有相關的——你可不可以用西方的辯證方法，去辯證中醫下方子的可能性？也許就創造出一個新的路徑去審視這件事情。
不用一開始就去區分什麼一定是東方或西方的，搞不好透過 AI，我們就直接得到一個最好的人類解，那不是更好嗎？
修平： 第一性原理。因為你的目的不是要選擇東方還是西方，你是要解決問題。
十八、自動化之前：先把知識庫準備好
修平： AI 真的有辦法自動化嗎？以前的 AI 是大家問問題、它回答，最後還是你手動做。但 AI Agent 出來以後，大家期待的是你交代完一個任務，它就開始跑，跑完你只要驗收就可以了。這件事情現在發展到什麼程度了？
佳達： 我們講的 Harness Engineering 就是在做這件事情。原理是，你要把每一個地方的「腳手架」——就是該怎麼做的方法架構，或是我們剛剛講的米其林廚房——全部 set 好。set 好之後，你只要一啟動，它就可以自己往下運作。
但現在大家的困難點是，我從大部分的資訊裡面看到，大家還沒有走到這一步。什麼意思？你廚房蓋好了沒錯，可是對不起，大部分我看到的企業，你連自己的知識庫都沒準備好，它不可能幫你做到你想要的程度。
比如我們剛剛講那個事業部主管，他最迫切的問題是什麼？他的資料來源有 email、有 Slack、有工廠機器的後台，各種不同的地方。你第一個要先把它收攏。這件事情沒做，後面的自動化都沒辦法啟動。
收攏完之後還要再做一件事：把全部的資料轉成同一個格式，讓 AI 可以變成知識庫來應用。這件事他也沒做。
你至少先把公司或未來業務需要的知識庫蒐集完整，再想這些知識庫未來要用在什麼場景。
我常常說，你們在想 AI 的時候，不要想一堆天花亂墜有的沒的。我就問你幾件事：你現在做一個 AI 工具，你在什麼時間點會把它拿出來用？給誰用？你會輸入什麼東西？你期待它給你什麼東西？它給你那些東西你就覺得很好用了嗎？
剛剛這幾個問題如果你都不能回答，你不要想自動化了，你離 AI 開發還很遠。
十九、實戰拆解：週會的數據與洞見
修平： 那假如我現在給你一個真的問題，我們一起來研究一下下一步應該怎麼做。
比如我現在每週要開週會。第一步是先蒐集數據，下一步是根據這些數據寫出 insight，看我要怎麼調整課程產品。我的數據一樣來自四面八方：業績有各式各樣不同產品的業績，廣告數據有 Facebook 廣告、YouTube 廣告、Google 廣告等等不同來源。
好，那第一步我先把它蒐集起來。下一步「做成同一個格式」是什麼意思？
佳達： 第一，我們需要有一個技能包或工作流，先蒐集所有資料匯集到同一個地方——看你要在 Notion、某一個資料夾、或 Google Drive，至少先把資料放到同一個地方。
接著所謂的格式，就是：現在 AI 最容易運算的格式是什麼？我們通常會把它轉成 MD 檔。
而且這個 MD 檔是有講究的，沒有那麼簡單，不是把 PDF 或簡報轉成 MD 檔就好。因為我們的資料有各種格式——有文字、有圖表、有數據，這些東西怎麼變成 AI 都能檢索、都能應用的東西？
很多人的報表裡面就是沒有做那一段：把報表裡面的數據或圖表轉成 MD 檔的動作。這個專有名詞叫 VLM，簡單講就是讓 AI 去讀這張圖，然後用文字的方式描述出來。
好處是什麼？好處是未來 AI 才知道有這張圖的存在。所以未來你要做報告的時候，它調得出這張圖的內容。
我們還會做一個叫溯源機制：除了告訴你這張圖本身講了什麼、圖上面有什麼文字或數字，還告訴你這個圖是從哪來的。所以你只要點一下，就可以回到那個原始檔、那張圖的來源。
很多人在做初步的資訊蒐集都沒有做這一段，結果 AI 根本沒有看到你的圖表，後面根本沒辦法幫你做延伸的運用。
修平： 所以前面是先蒐集資料、轉成同一個格式，接著就是產出洞見。
佳達： 產出洞見如果你沒有做前面講的訓練流程，那產出來的洞見就不能用。所以你還是要蒐集你過去的洞見、給它情境，再訓練一輪。
修平： 因為我看到同事的報告以後會給 feedback，我會說你這個數字的解讀其實是不對的，你的業績下滑不是這個原因，而是因為這個原因。那我就要蒐集過去種種我給 feedback 的情況，去訓練我的 AI。
佳達： 而且這裡面有兩個東西可以做訓練：一個是正向表列，一個是負向表列。
正向表列就是你怎麼做的，讓它去整理，然後說這兩個差別在哪裡、去修改。
但如果你們有那種跟同事互動的會議記錄——同事給了一個錯誤的解讀方法，你現場糾正他——這也是個非常棒的訓練素材。
我之前有一個學生，是國內一家很大的出版社很資深的編輯。他想訓練一個編輯的技能包，覺得出來的東西一直不好用。我說那你怎麼訓練？他說我把我編好的東西給它，跟它講「這就是我編好的成品」。
那 AI 怎麼知道要訓練什麼？
所以最後真正訓練出來的方式是什麼？他把第一版收到作者的內容，他挑了哪些東西、覺得這個不行、這標題不行、這段文字不行、要怎麼修改、給作者什麼 feedback、作者再怎麼回來——他把這整個討論流程給 AI，這個訓練才有用。
AI 才會知道，這個資深編輯真正的價值體現在「他覺得這段不行、這段一定要修改」。AI 看久了之後就會說：所以像這種文體、這種文章、這種標題可能有什麼缺點，一定要修改。AI 要學的是這一個。
修平： 所以那種負面表列的東西，如果你有機會蒐集到的話，AI 會學得更快。感覺我們這時候可以下一個標題就是：95% 用 AI 的方式根本就是錯的。大家想像中的訓練 AI 就是餵資料給它，但你沒有 Harness Engineering 這個概念的話，就不可能訓練出真正好用、可以落地的 AI。
佳達： Harness 其實是一個很廣的概念，訓練只是其中一塊。整個腳手架都是 Harness，包括你一開始的規劃——從規劃到評估到迭代優化，我們剛剛講的訓練只是其中一小塊而已。米其林的廚房沒有這麼容易。
修平： 但你光是會這一塊，價值就已經非常大了。比如我今天跟你聊完以後，等一下下午要做的事情可多了，我要開始訓練了。
二十、Loop Engineering：小迴圈與審核者
修平： 我來問一個我真實遇到的問題。比如我們現在跟一個新的老師談了合作要做一個課程，過去我們做課程可能有 120 個節點。我之前想做一個 AI agent，接到這個問題以後，AI 就把這 100 多段都做完，給我們一個結果或初步草案。但後來發現這一套行不通，產出來的內容跟我想像中的課程企劃差太多了。你覺得問題會在哪邊？
佳達： 它其實就是 Harness 的問題。
你現在有個新的輸入進來，這裡面 120 個節點，假設有 120 個小的 Agent 各自做各自的事情。除了這個之外，你可能還需要有 10 個、或者 5 個「中 Agent」。
比如第一輪這 120 個裡面，前 20 個是第一組，他們要生成一些課程的基本企劃或概念的形成。做完第一輪之後，會有一個中 Agent 出來審他們的東西，給他們 feedback，或者再給一些優化的素材跟資料，讓他們回去再跑一輪。
所以每個過程當中，可能會有一個中 Agent 去卡這一段。假設前 20 個或前 30 個完成第一個大段之後，又會有一個大 Agent 跑出來說：那我再審一次。
審核這裡面也是一個很重要的角色。
我們過去在想 AI 為什麼會失敗，是因為你把它當成一個自動化的工作流程，它就是線性的：a 觸發 b、b 觸發 c、c 觸發 d。但不能這樣做。
所以如果你知道每一個階段要做到什麼樣的標準，你應該設計的是——它是很多小的迴圈。小迴圈做完之後有人審查，審查完不行就回去繼續優化，可以的話再往下走到下一個迴圈。兩個小迴圈可能會有一個中迴圈，中迴圈上面有個大迴圈，不斷地在跑。就是我們剛剛講的，從計畫到評估到迭代的流程。
現在有另外一個跟 Harness 類似、也很紅的開發方法叫 Loop Engineering：用很多小迴圈，想辦法讓你的工作流程品質越來越增加，中間都會有審核者，過關才會往下走。
修平： 所以有時候你想要一次解決一個大專案，其實是不可能的，你要把它切成很多不同的小段落。
佳達： 它最後對他們來講也是一次，但這裡面不是一次到位的，會是這邊跑一跑、不行再回去。而這件事 AI 可以幫你做。
所以還是回到——你的 Harness、你的米其林廚房架好，它每次會跑 5 到 10 個不同的小迴圈，然後它們會自己去運作。但重點是，過程當中要有人給 AI 回饋：現在做到什麼程度、可不可以往下走。
我們過去失敗的原因，就是把它想像成一直線往前進，而且都沒有人在做審核的階段。
修平： 因為之前是，AI 做出一個課程企劃以後我覺得不好，就直接給 feedback。可是當我給 feedback 的時候，它中間已經過了非常多的流程，它根本不知道是哪個環節出了問題。
佳達： 所以其實在每一個環節就要給 feedback 了。
什麼叫 Harness 的思考？就是隨時都用整個架構來想。
比如像你現在師父這麼多人，很多事情是同時在發生的。它現在在做這個過程，也許別的同事已經做完另外一堂課了，這個知識庫忽然就增加了。然後你給那個同事的 feedback，在這一輪他還沒做完的時候，下一輪他也可以自己使用。
所以你要怎麼透過 Harness Engineering，讓你的知識庫一直不斷地自己長、自己優化？只要有一個新的東西定案下來、或一個新的會議記錄被納到共同知識庫裡面，它就瞬間優化所有人的所有流程。每一件事情都是在隨時被優化的。這也是我們在設計整個 Harness 架構的時候很重要的點。
修平： 哇，那到底應該怎麼做啊？現在聽完我又開始焦慮了。
佳達： 做法就是剛剛講的：第一，我們不要從零開始。先去找現在大家公認最好用的 Harness 架構，來重新審視你目前的開發流程，然後需要補哪些東西——這都讓 AI 幫你做就好啦。
修平： 所以就是從目前既有的 best practice 開始，永遠是 AI 時代的第一選擇。
佳達： 趁現在回去還可以用 Fable，趕快用一用。現在很多人在討論 Fable 要怎麼用，大家都說你要用 Fable 去審核你現在的開發結構——其實就是在做 Harness 這件事情。
修平： 比如做課程也好、做內容產出也好，在公司裡面目前還是我佔的想法比較大。那是不是代表說，去做這個訓練、去設計這些東西，還是必須由我本人來做？
佳達： 你先訓練看看有沒有辦法做出一個 80% 的修平。如果做得出來，也許你的比重就不用這麼大，你就會放在更後面的審核者角色，不用每個 part 都參與。
二十一、AI 時代剩下哪兩種人才
修平： 未來 AI 時代下，人應該具備什麼樣的能力是最有價值的？你自己覺得是什麼？
佳達： 我最近看到李飛飛，還有 MasterClass 的創辦人接受訪談，他們很明確地講：未來的 AI 時代大概就剩兩種人才。
一種是你要做到某個領域的前 1%，把那個領域精熟就可以了。
另外一種是所謂的通才：你遇到任何場景，都有一套多元的思維模型可以去應對這些挑戰跟困難。
所以未來大概就是這兩個方向。如果你真的對某個領域特別有興趣、鑽得很深，可以做到全世界的 1%，那你就往那個領域走。但如果不是的話，你可能要往 FDE 的角度去想，自己要能夠成為我們剛剛講那兩種特種部隊的能力：第一，建設性的批判性思考——你挑刺、挑問題之後，要知道怎麼改善它；然後還有抽象化的能力。
修平： 抽象化的能力這很難欸，而且是傳統教育比較少碰到的事情。
佳達： 你是怎麼練出這個抽象化能力的？
修平： 我覺得我抽象化能力還可以的原因是——比如做短影音「什麼影片會有流量」，跟做課程「什麼課程會賣得好」，背後的原理是一樣的。
一開始一定是大量的接觸。比如一開始學短影音就是每天滑 6 個小時抖音，看了 8000 多支影片以後，心中大概會有一個想法。下一步就是大量的實作，所以一開始我就自己拍片，流量很爛。後來開始接代操，代操到現在幾百組的客人、做了數千支影片，開始受過大量的訓練，我就知道做了這件事情有流量、做了那件事情沒流量。後來我就把它寫成一個公式，然後就可以複製到其他人身上。所以我的操盤手跟一年多前的操盤手在做流量的時候，能力是完全不一樣的，因為我們把這個體系寫出來了。
佳達： 所以大量實作是一個跑不掉的歷程。
修平： 跑不掉。而且我們後來在做短影音的時候發現一個秘訣：一個主題有沒有流量，你不要猜，直接去市場上面看這個影片拍出來以後有沒有流量。
我很常講一個例子：全聯超市開箱跟 citysuper 超市開箱，哪一個影片會有流量？大家根本不要去猜，直接去 YouTube 裡面搜尋就好了。因為 YouTube 是全世界最大的影片庫之一，你要看什麼主題有沒有流量，就直接在裡面找。
後來我就把這一套方式複製到做課程。比如之前我們開了一個手機攝影課，前面教原理，後面教應用場景。那我們在想要放什麼應用場景進去，我就直接去短影音上面看大家最喜歡拍攝的場景是什麼，把這些內容放到課程裡面，就會大賣。
後來我們發現，網路上短影音流量最高的，竟然是教別人怎麼在吃火鍋的時候拍出美照。
佳達： 哇，這超難的耶。
修平： 這件事情你根本自己是想不到的。但我們不想，我們用看的——我們就看到這個流量是幾百萬觀看，是最高的。所以後來就在課程裡面加上這個主題。
二十二、給家長：讓孩子先找到他在意的事
佳達： 我覺得如果從這個角度出發，我也會想給身邊很多家長一個最重要的建議：要讓孩子找到他在意的事情，然後他很願意投入下去，你可以陪他一起用 AI 來做優化。
我講一個我侄兒的例子。他現在在美國，非常喜歡田徑、很喜歡跑步，後來還當了田徑隊隊長。他就想，我到底要怎麼優化我的跑步動作，讓我可以跑得更快？
這個時候我覺得 AI 可以給大家最棒的一點就是：它是一個非常好的槓桿。你不用覺得他只是個高中生、只是個國中生，他可能做不到什麼程度。
他直接請 AI 幫他總結最先進的田徑論文、動作該怎麼做。可是有論文沒有用啊，所以他又問：我要怎麼知道我的動作哪裡有問題？他就去找——有人做了運動攝影的技能包，可以直接把你一段跑步的影片，像大家看好萊塢特效片那樣畫成火柴人，然後把你身體裡面每一個動力鏈是怎麼傳導的直接分析出來。
然後你再結合最新的實證論文，問「所以我應該要怎麼調整」，再請 AI 幫你畫出你該怎麼調整的跑步動作。你的跑步動作就可以改善了。
修平： 超扯的。
佳達： 你看，這之前可能是一個運動級的公司才做得到的事情，現在的高中生在家裡憑一己之力就可以完成。所以不要再因為年紀去限制現在孩子的可能性。
修平： 但前提是你要讓他找到一個他喜歡的東西。而這確實是我身邊很多父母的問題——孩子沒有嗜好，對這個世界沒有熱情跟好奇，可能只想要打電動。
佳達： 打電動也很好。如果你真的找到一個電動的方向，你很喜歡這個部分、願意深入研究，我覺得 maybe 不是壞事。
修平： 要把那個對戰影片放上去啊，讓他知道戰術哪裡出錯了，還是技能什麼時候放錯、放空了。
佳達： 你知道現在 Codex 最厲害的技能包是什麼嗎？應該是 recall and play，OpenAI 自己做的一個延伸程式。它可以直接錄你的螢幕，比如我通常會去點一個什麼網站、從那邊下載什麼東西到哪裡，它把你所有動作記下來，變成一個技能包。
所以像你剛剛講打遊戲也可以：你先打一輪，讓 AI 幫你記錄下來變成一個技能包，然後當你小孩登入的時候，它就可以幫你小孩打。
修平： 以前講這種遊戲，都會有一個策略師，或是看影像重播然後給建議。可是現在這件事情是不是 AI 可以取代？
佳達： 它直接螢幕錄影啊，直接看你是怎麼打的、怎麼打輔助、肉盾怎麼擋。
修平： 那我這樣想，F1 賽車是不是現在 AI 的應用也應該要很強才對？
佳達： 他們應該早就很強了吧。而且不只 F1，所有的運動體育賽事，尤其像 NBA 或大聯盟，很多那種輔助判決——我什麼時候要挑戰？先叫 AI 告訴我，我現在挑戰的成功機率是多少。他們背後一定有 AI 團隊在做模擬。
二十三、結語
修平： 你剛剛講到，現在 AI 模型發展非常強，但重點不是模型有多強，而是到底能不能落地。所以像 FDE 這種模式——把工程師送到你家，拆解你內部的問題、給真實的方法——這個角色會變得非常重要。那這是一個好生意啊，我們要不要來做這個？
佳達： 我覺得一定要做。應該說，AI 要落地一定得做這件事情。
修平： 好啦，我們來做這個啦，這感覺蠻不錯的。那什麼問題，直接來組顧問團隊直接走啦。現在如果你在聽這集，你有什麼企業上面 AI 的問題想要找我們解決的，私訊我們。
佳達： 直接派駐廠工程師處理。這是好生意。
修平： 李佳達老師現在開了一個 AI 課的體驗課，大概兩個小時。裡面你會講什麼內容？
佳達： 我就講基本的——你要怎麼指揮 AI 的四個步驟。包含你要怎麼指揮 AI 怎麼想；怎麼指揮 AI 專業地想，就是我們剛剛建立知識庫的部分；還有你要怎麼指揮 AI 幫你多元地想、組隊地想，幫你克服你的盲點。最後我覺得更重要的是，你要怎麼指揮 AI 幫你自己同時跟 AI 一起進步，讓 AI 教你怎麼樣越來越厲害。
修平： 好，那我把課程的連結放在資訊欄跟留言處。我們再一次感謝李佳達老師。
佳達： 謝謝 Joey，謝謝大家。
修平： 今天真的聊太爽了，彷彿得到一個小時的免費顧問。我覺得我要每天發你上通告。
佳達： 非常願意每天來。