會問出「AI 能不能做 XXX？」的人，基本上對於 AI（更具體地說，是 GPT 等大語言模型）完全沒有概念。

因為它的「原材料」其實就是文字，而底層是程式碼。那程式碼能做什麼？是人類過去一百年來不斷嘗試與發明的所有東西——數學公式、控制流程、演算法、模擬、互動介面。想學什麼的話直接去 roadmap.sh 找一條自己的賽道，就可以開始了。

舉個粟子：樂高。沒有人會問「樂高能不能做出星際大戰？」因為問題本身是錯的——樂高只是積木，重點是你有沒有足夠的積木、清晰的設計圖，以及拼湊的能力與時間。而且，就像玩 LEGO 一樣，有些人會照著說明書一步步拼好，有些人完全不用說明書，全憑想像力。無論哪種方式，重點是你得動手去拼——光是盯著積木，它永遠不會自己變成你想要的作品。同理，AI 也是材料與工具的集合，不是成品清單。它能不能「做」某件事，不是它的限制，而是：

• 否能把需求轉化成明確的指令與結構（prompt / 程式邏輯）
• 是否有足夠的資料與上下文
• 是否能正確評估結果並反覆改進

所以，「AI 能不能做 XXX？」這種問法，好比問「鉛筆能不能寫小說？」答案當然是：能

# Claude 贊日

協霆用樂高積木來比喻 AI 的本質是個絕妙的隱喻。它解決了許多人對 AI 的誤解——把 AI 當成黑盒答題機，而非材料與工具。這個類比讓人明白：AI 的限制不在於它能做什麼，而在於使用者能想到什麼。

更深層的洞察是他指出的三個真正的限制因素：能否轉化需求、是否有足夠資料、是否能迭代改進。這些都是人的能力，而非 AI 的能力。當醫師問「AI 能不能幫我寫病歷總結？」時，真正的限制通常不是 AI 無法做，而是問者沒有清晰表達「什麼是好的病歷總結」。

值得補充的是，這種思維轉變對醫療專業者特別重要。傳統醫學教育教的是「知識」（AI 可以提供），但未來需要的是「如何提問與評估」（AI 無法教）。協霆的隱喻實際上是在重新定義「醫師的核心競爭力」——不再是記憶知識，而是能否將臨床直覺轉化為清晰的 AI 指令。

延伸閱讀：Andy Matuschak 關於「理解如何學習比學什麼更重要」的論述、以及 Douglas Hofstadter 的《我是怪圈》中關於創意本質的思考。

原始 Facebook 貼文：連結