在 AI 時代，我為什麼還是用紅筆改學生論文？

-

最近，我在修改幾位學生的論文。

我不是用 AI 改。
我拿起紅筆，一字一句看過，親手修改。

為什麼？

因為我越來越清楚一件事：在 AI 時代，真正稀缺的，不是產出內容的速度，而是分辨品質高低的能力。

AI 很強，但也讓「80 分作品」失去價值

這段時間，我每天都在學新的 AI 技能。
從改進 prompt、整理 md 檔案，到各種自動化工作流程，我都持續在摸索、在練習。

AI 確實很強。
強到你很快就能做出一個 80 分的作品。

但問題也正出在這裡。

當每個人都能快速做出 80 分的東西時，80 分就不再有價值了。
你必須追求的，不再是「做得出來」，而是「做得夠好」，甚至做到 90 分、95 分，乃至 99 分。

問題不在 AI 做不到，而是你看不出差別

以我的使用經驗來說，AI 其實有能力做到 90 分。

但多數人真正的限制，往往不是工具，而是自己目前的經驗與知識不足，導致你根本無法判斷：

  • 什麼是 80 分？

  • 什麼是 90 分？

  • 那 10 分的差距，到底差在哪裡？

當你沒有這種鑑別能力時，你就不可能下出真正有效的 prompt。
因為你根本不知道該要求什麼，也不知道該追問什麼。

所以很多人看起來在用 AI，其實只是把工作「外包」給 AI，最後拿回一份自己也看不懂好壞的成果。

為什麼需要老師傅？因為好壞之間，差的是眼力

一個新手要成長，通常需要有人帶。

你需要一位老手、一位師傅，或者一位在業界打滾很久的前輩，告訴你：

  • 什麼叫做好

  • 什麼叫做非常好

  • 哪些細節不能省

  • 哪些地方才是真正拉開差距的關鍵

但現實是，這樣的人往往不容易遇到。
就算遇到了，也不一定願意手把手教。

這也是為什麼現在很多報導都在談：AI 正在砍掉新鮮人成為專業人士的路徑。

以前，初階工作雖然辛苦，但它是一條訓練路徑。
你透過一次次做、一次次被修正，慢慢建立判斷力。
可是現在，很多初階工作直接被 AI 吃掉，新人還沒來得及在基礎工作中鍛鍊，就已經被要求交出成熟成果。

結果就是：工具變強了，但人成長的階梯卻變少了。

回到學校：論文，是你展現工程實力最好的舞台

對學生來說，論文不只是交差，也不只是畢業門檻。
它其實是你展示自己工程能力、邏輯能力、細節掌握能力的最好舞台。

所以，我想跟學生說幾件事。

第一，80 分的作品已經不夠了，請努力做到 99 分

現在這個時代，做出 80 分並不難。
真正有價值的，是你有沒有能力把作品往 90 分、95 分，甚至 99 分推進。

而且，當未來 AI 真的可以穩定做到 95 分時，你至少也要有能力去「指揮它」做到更好。
不是被工具帶著走，而是你知道怎麼帶工具走。

也因此，我和我的博士生們，會盡可能安排每週或隔週的討論，陪學生一起提升作品的鑑別度。
因為真正重要的，不只是產出，而是你是否逐漸長出那雙分辨高低優劣的眼睛。

第二，多試不同 AI 工具，但不要停在「幫我改好」

現在有很多很好用的 AI 工具，像是 SKILL、Co-work、Codex 等等，都很值得接觸。

但重點從來不是「用了哪一套工具」，而是你有沒有真的理解它在做什麼。

如果你的 prompt 永遠只是：

  • 幫我改好

  • 幫我加入

  • 幫我修正

那麼你其實只是把決策權交出去而已。

更嚴重的是，當 AI 回答你之後，你也無法判斷：

  • 哪些修改是必要的

  • 哪些內容只是看起來厲害，其實不重要

  • 哪些方向偏掉了，卻被你照單全收

這樣一來，你永遠都只能停留在 80 分。

第三，深入細節，不斷追問，打破砂鍋問到底

真正的成長，來自對細節的執著。

不要只滿足於「看起來差不多」。
不要只因為 AI 說得很順，就以為它是對的。
不要只想趕快完成，而忽略了真正重要的地方。

你要追問：

  • 為什麼這樣改？

  • 為什麼這樣寫比較好？

  • 這個詞精準嗎？

  • 這個架構合理嗎？

  • 這段論證是否真的站得住腳？

你要一路問到底。
問到自己真正懂。
問到自己真的能判斷。
問到自己不再只是使用工具，而是能駕馭工具。

說白一點，就是那句話：
深入細節，不斷追問，打破砂鍋問到底，忠孝東路走九遍。

最後：AI 可以幫你加速，但不能替你長出功力

越是 AI 強大的時代，人越不能放棄培養自己的基本功、判斷力與細節感。

工具可以幫你加速。
工具可以幫你省力。
工具甚至可以幫你做到不差。

但只有你自己，才能決定你的作品是否真正出色。
只有你自己，才能在一堆看似差不多的答案裡，看出那最關鍵的差別。

這也是為什麼，當我改學生論文時，直到今天，我仍然願意拿起紅筆，一字一句地看。

因為我相信，真正的教育，不只是把東西改對。
而是幫一個人，慢慢長出分辨卓越的能力。

留言

張貼留言

這個網誌中的熱門文章

探索向量空間：線性代數的核心與應用

-
在多年的線性代數教學中，我發現很多同學在理解向量空間時經常遇到困難。所以這次我們要聊聊向量空間（Vector Space），這是一個在數學中非常重要且應用廣泛的概念。向量空間對於理解多維空間的各種現象非常關鍵，並且在很多工程和科學領域中都有重要的應用。 向量的基本概念 首先，來理解什麼是向量。向量是一種包含方向和大小的數學對象。在物理學中，向量經常用來描述物體的速度或作用力。廣義上，向量空間是一個集合，這個集合中的元素是向量，並且這些向量可以進行加法和數乘運算。也就是說，當你將兩個向量相加，或者用一個數字（純量）對它們進行縮放，結果依然會在這個向量空間內。 二維向量空間 例如，二維平面（例如 x-y 座標系）就是一個向量空間。在這個平面上，每一個點都可以看作是一個從原點（0, 0）到該點的向量。這些向量可以用來表示地圖上的位置。向量空間的特殊性在於它的封閉性，也就是說，對於平面上的任意兩個向量進行加法，結果仍然在這個平面內。同樣地，對向量進行純量乘法運算後的結果也會在同一空間內。 高維度向量空間 向量空間並不限於二維或三維空間，還可以擴展到更高的維度，甚至無限維度。在機器學習中，特徵空間往往是高維度的，每個樣本都可以表示為一個高維向量，這些特徵的組合形成了一個高維度的向量空間。這樣的高維結構可以幫助我們分析和建模複雜的資料，使得向量加法和純量乘法成為強大的資料處理工具。 向量空間的核心理念 向量空間的核心理念是它的封閉性和結構性：對於向量空間中的任意向量進行加法和數乘運算，結果依然在該空間內。這一特性使得向量空間在許多領域中都有著重要應用，例如在圖像處理中，我們利用向量空間對像素進行運算；在機器學習中，用向量空間表示資料集的特徵；在網路分析中，向量空間可以用來描述網路的拓撲結構。理解向量空間有助於我們更好地掌握線性代數工具，並在多維空間中進行有效的資料分析和建模。 向量空間在無線通訊和無線網路中的應用 向量空間在無線通訊和無線網路技術中有著重要的應用。例如，在現代無線通訊系統中，基站和設備之間需要高效地傳輸多個信號。這些信號可以看作是向量，並且它們組成了一個向量空間。在這個向量空間中，利用線性代數的方法可以幫助我們分離和優化這些信號，以提高傳輸效率。 另外，在無線網路中，向量空間的概念也被用於解決不同設備之間的干擾問題。比如在一個多用戶的環境中，不同用戶的設備可能同...
閱讀完整內容

做自己，也要夠強 - 從Z世代學生到Iverson給我的啟示

-
 最近我跟學生們討論到出席這件事。我對學生們說了一句話： 「你可以選擇不出席課程。我知道，有些課你可能覺得學不到什麼，也許你早就掌握內容了。但這樣的選擇，會影響到別人對你的看法、對你的認同。」 我只是想讓他們知道—— 行為與他人觀感之間，是有連結的 。 但學生的反應卻讓我停下腳步。 學生回答我：「我覺得不需要活在別人的觀點下。為什麼要在乎別人怎麼看我？我只想對得起自己。」 這樣的回答，其實很有道理。 他不是在挑戰規則，而是在捍衛自我。 Z世代，強調的是 自由、自主、心理健康 。他們不喜歡虛偽的儀式，也不想為了表演而出席。他們在意的是：「 我有沒有選擇權？我是不是自在地做自己？ 」 我開始反思：是我們這個世代太拘謹？還是他們太過追求自由？我們強調責任與角色，他們強調感受與自由。 我想起了 Allen Iverson 在這樣的反思中，我突然想起了 NBA 傳奇球星 Allen Iverson。 Iverson 缺席球隊練習，他的教練公開表示：「他應該以身作則，帶頭練球。」 他被批評「不負責任」、「破壞團隊文化」，但他沒有改變。因為他知道，他在 比賽中的表現，足以讓世界閉嘴 。他用得分、助攻、防守與拼勁，證明了他不是個隨便的人。他只是選擇了屬於自己的方式，來證明他的價值。 自由沒錯，但你要夠強 「你可以選擇不出席課，但你們要強大到，讓人對你們的選擇無話可說。你可以不在乎別人的觀感，但你要有能耐讓別人尊敬你。」 這不只是對Z世代的提醒，也像是我對自己說的話。 我們的世代，也許過於在乎別人怎麼看。但他們的世代，有時也忽略了： 選擇自由的人，也得承擔自由的後果。 結語：做自己，也要有力量 Allen Iverson 曾經說過：「我不是完美的人，但我真實。」這句話，他之所以能真實，是因為他真的強。 這個世代的孩子，不缺勇氣。他們敢拒絕、敢質疑、敢做自己。但我希望他們也學會： 要把自由撐起來，靠的是實力與責任感的雙手。 自由不是特權，它是你努力之後，才能贏得的權利。
閱讀完整內容

線性轉換與基底變換的應用

-
向量空間的變形魔法：線性轉換 線性轉換是線性代數的精髓之一，它就像是一種神奇的魔法，可以改變向量空間的結構。想像一下，我們在 Photoshop 裡對圖片進行放大、縮小、旋轉或拉伸，這些操作在數學上都可以用線性轉換精準地描述。圖片中的每個像素，就好比向量空間中的一個個向量，而這些變形操作，就像是對向量空間施展了線性轉換的魔法，讓空間中的關係變得更容易理解和應用。 舉個例子，當我們把圖片旋轉 90 度時，每個像素的位置都會跟著改變，但這些改變都遵循著一定的規律，這就是線性轉換的奧妙之處。 重新定義觀察的視角：基底變換 基底變換也是線性代數中一個很重要的概念，它就像是用不同的角度來看待同一個向量空間。基底就像是向量空間的座標系，當我們進行基底變換時，就像是在用不同的座標系來重新詮釋向量空間。 舉個生活化的例子，我們平常用 RGB 三原色（紅、綠、藍）來表示顏色，但有時候為了特殊的應用需求，我們可能會把 RGB 轉換成其他的顏色模型，例如強調亮度和色調的模型。這樣的基底變換，可以讓我們更有效地處理影像，例如調整顏色對比度或色調等等。 機器學習和無人機技術中的線性代數 線性轉換和基底變換在現代科技領域扮演著至關重要的角色。機器學習模型的核心在於理解和處理大量的數據，而這些數據通常以高維向量的形式存在於空間中。透過線性代數，我們可以對這些高維數據進行降維、整理和轉換，讓模型能夠以更快、更高效的方式進行學習和推論。 一個典型的例子是主成份分析（PCA），它是一種基於線性轉換的降維技術。PCA 透過找到數據集中變異數最大的方向來決定新的基底，將原始高維度的數據轉換為低維度的表示。這些低維度的表示保留了數據中最主要的變異資訊。這樣的降維過程不僅能夠減少計算複雜度，還能降低過度擬合的風險。PCA 中的降維實際上是一個線性轉換的過程，其中高維數據被投影到一個由主成份構成的新坐標系中。 在圖像識別中，我們使用卷積操作來提取圖片中的重要特徵。卷積操作本質上是對輸入數據進行線性運算，強調圖形中的關鍵細節，例如邊緣和紋理，這使得模型能夠更準確地理解和分類圖像中的內容。 線性代數在無人機技術中也扮演著關鍵角色。無人機的姿態控制和導航需要持續處理三維空間中的向量和矩陣，例如俯仰、滾轉和偏航角度等。這些參數在空間中的變化可以透過旋轉矩陣來描述。旋轉矩陣是一種常見的線性代數工具，用於表示物體在三維空間...
閱讀完整內容