約莫在 2022 年底，ChatGPT 等生成式人工智慧的橫空出世，
改寫了以往在大學這個環境的學習與教學模式；
現在的 2026 年，不只 ChatGPT 演變到第五世代，
學生們與教授、助教對於 AI 使用的攻防，也邁入第四個年頭。
四年當中，我從當時一個懵懂的大學一年級學生，
邁入到碩士班一年級，擔當大學部課程的助教。
在這瞬息萬變的四年當中，深刻體會到人工智慧有如海嘯的大浪一般，
是無可躲避的趨勢；然而過分、不經思考地利用它，又會被這股浪潮給吞噬而不自知。
現在看到這篇文章的你，也許和我一樣，都曾經想過：
生成式 AI 這麼好用，為什麼卻不建議依賴 AI 太深？
圖片由 Google 開發的 Nano Banana Pro 繪製
這篇文章，就是一位在 AI 浪潮下載浮載沉的碩士生，
在與 AI 相處了三年之後的經驗與思考。
在這裡分享給各位，希望各位也能在這股大浪之下，找到不滅頂的方法；
讓各位也能夠站在 AI 大浪的肩膀上，看得更遠。
以大學生的角度看 AI
時間回到我大學一年級的時候，那時並沒有 AI 的出現與發明；
學生們念書就算要抄捷徑，也只能利用高中學來的「老本」，
或是自己透過某些資源得到的考古題、原文書來應付老師們指派的作業、考試等。
那時候的我因為沒有高中的老本，也沒有考古題，
所以在某一天知道我的普通物理被當掉之後，我就心想：
要是有個神人或某種技術可以隨時聽我對於課程上的疑問、
為我精準地解答每一題作業、老師考試的要點，那該有多好。
一年之後，當大二的我知道我的有機化學又被當掉後，
我心裡想的神人還是沒有出現；倒是那套技術被發明出來了。它就是生成式人工智慧。
當那套技術橫空出世，開始改寫大學生的學習模式的時刻，
我也曾經想過要不要乾脆用 AI 直接幫我寫作業，讓我可以應付考試；
但緣分讓我遇到了一位改變我很深的學長；他在那時候告誡我：
學習不該由任何其他人事物代勞，包括人工智慧。
那時我並沒把他的話聽到心裡，只覺得要是能運用這套技術，
我就能逃離無限重修的循環了；在大三重修有機化學時，
我隨即讓 AI 開始協助我計算有機化學的某些題目。
只是我愈是依賴 AI 、將它當作自己的許願池、卻在這個負面循環中下陷得愈深：
不僅照抄的作答公式毫無使用上的道理，
產出的答案也跟老師在網路平台上公布的參考答案相差甚遠。
後來，我請學長看過我的計算流程，他只問一個問題，讓我當場被拆穿。
「你可以解釋一下：為何你在這個步驟要使用這個公式嗎？
這個方法在老師公布的原文書上好像完全沒有教過。」
圖片由 Google 開發的 Nano Banana Pro 繪製
見我當場愣住、無法繼續回答，學長就建議我要從最基礎的看書開始做起。
他說原理再怎麼變化，會考出來的東西都不會離課本太遠；
所以要是能理解課本的內容，課本就會幫你通過考試。
之後，我在學長帶我導讀課本、練習題目之後，成功脫離了無限重修的地獄；
然而，這時候其他必修課的講義，每一堂課幾乎都是一百張起跳。
這時已經有其他同學受不了，開始使用 AI 來為他生成學長姐流傳下來的考古題的答案，接著靠著這些答案拿高分。
看著這種現象的我，心裡比起忌妒與憤怒，更多的其實是恐懼。
那時的我，其實已經在猜想：要是老師不按考古出題，
我們又不會自己看課本、講義來歸納重點，
那迎來的不就是災難性的當掉潮嗎？
只是這樣想的人畢竟是少數，於是我只好在同學面前忍氣吞聲；
就算被這樣使用 AI 考試的同學笑成傻子，我也只能裝作沒有聽見他們的冷嘲熱諷。
路遙知馬力，日久見人心。
這樣的日子一久，開始就有同學抱怨因為某些考科的老師沒有考古題，
導致他們沒法應對考試。果然在某次的生物化學，三次考試的平均也救不了的同學，
整整佔了總人數的四分之一。
那時我只是慶幸自己沒有依賴 AI 太深，
靠著自己的努力，僥倖撐過了那個學期；
並沒有去深思「為什麼不能太依賴」的進一步意義。
直到大學四年級的兩場考驗，又再次刺激我對於「應不應該依賴 AI」的反思。
以專題生的角度看 AI
大四的學生有些會選擇繼續在原本的學校升學到碩士班；
然而，要從原本的大學升學到同一間大學的研究所，都會需要經過一定程度的審查。
教授們首先要看過推甄生的成績、履歷、研究興趣與計劃書等，
再決定要不要讓推甄生進到下一關的面試。
面試這關會問到推甄生對於自己研究方法的認識、對於結果的解讀、
對於未預期結果的應對等；之後再以書審與面試的成績，決定推甄生是否錄取，
如此整個流程才告完成。
圖片由 Google 開發的 Nano Banana Pro 繪製
在成績方面，那時的我已經篤定：自己不會佔有任何的優勢，
只能靠履歷與學習研究計畫翻身。
於是專題指導老師就給了我一次機會，
要我實作一個跟 Python 程式碼有關的小專題，當作我面試時說明未來研究方向的圖。
以前完全沒有相關經驗的我，在僅有幾個月的時間壓力之下，
也放棄了自己看書、看網站、看影片自學的方法，改以 AI 協助撰寫程式碼。
那時只是想要通過這場推甄的我，在僅有大學課程 R 語言的基礎之下
，完全沒有想過 AI 推薦的那些運算模型，到底為什麼要在哪裡使用。
直到實驗室的博後學姊提醒我這件事，我才驚覺自己又依賴 AI 太多了；
搞得明明是自己產出來的圖，卻連我自己都無法解釋那些資料點，
是怎麼從細胞實驗的數據推導出來的。
於是就在面試的前一個星期，忙著從相關的論文中，
拼拼湊湊地尋找一切的答案，最後才勉強過了那次考驗，取得備取的資格。
之後，專題指導老師看在我至少能用 AI 寫出一段可以跑的程式碼，
便建議我去其他的實驗室看看、學點不一樣的東西。
機緣巧合之下，剛好那時候問的老師有個計劃，
要收大四的學生去新竹生醫園區實習，
我就在那位老師的建議下，去到一間做生物資訊、影像辨識的公司去實習。
實習開始之前，我當然也想過用 AI 來草草了事；
但又想到推甄那次「差點過不去」經驗的我，
為了避免讓自己在公司面前出糗，就自己去買了一本 Python 教學書來自學。
兩個星期的密集準備下，我開始對 Python 的基礎語法、架設基本的自訂函數，
以及例外處理等有了認識。
然而，六個星期的實習當中，我還是出糗了；
但就是這次出糗，讓我終於能以專題生的角度，
理解「依不依賴」AI的那條紅線應該劃在哪裡。
那時候我的程式碼中有十幾個名稱都差不多的變數，它們的差別只在於其中的一個字元。那時有段邏輯當中，本來該用到 A 變數的程式碼片段，被我拼錯變成另一個變數，
導致程式碼遲遲不能跑出公司前輩給我的預期答案。
在 AI 一次又一次的「建議修正程式碼」中，
我發現如果把「整段原始題目」都丟給 AI 來做，
那它會無法知道我們這段題目，背後的真正目的。
於是我便將本來一整段複製貼上的程式碼，拆解成好幾個步驟，
一五一十地交代給 AI，請它「協助我調整邏輯」而不是「完整地生成程式碼」。
果然，在 AI 新一波的指引下，雖然花了一個半小時，
但終於在某次除錯用的 Print 指令下，被我發現變數名稱的錯誤。
一經修正，馬上正確的結果就出現在眼前。
於是我透過這次的實習，也得到了一次寶貴的經驗：
不請AI「代勞」而是先自己拋磚、AI來協助引玉
就像我們做事情有些時候就是要親力親為，不能請別人整碗端走一樣
以碩士生當助教的角度看 AI
時光荏苒，又經過了幾個月，
我有幸在碩士班老師的引薦之下，當上生物資訊課程的助教。
老師們對於 AI 採取半開放的原則：學生可以使用AI來協助作業的撰寫，
但必須註明自己如何使用AI來撰寫作業；
當遇到實作報告時，學生不得使用AI來生成相關的文字或圖片。
老師的意思，當助教的我必須照實執行；
有次作業是要學生自己去某個平台找蛋白質序列，
並將其序列貼上在 Word 文件後繳交。
理論上那段序列，應該只需要一張A4即可，
而大部分的同學也都有照著「實作」的精神自己按照要求找出該序列；
不過卻有位同學交出的序列，多達七十幾頁的 A4紙。
於是，我請那位同學寄電子郵件來說明情況。
結果，跟我猜想的一樣：
那位同學是將題目裡的提示直接餵給AI模型，讓它憑空產生一段序列出來。
之後我語重心長地寫了一封回信給他，像是在對過去的自己訴說現在的我發現的一切：
生成式 AI 模型是基於訓練資料來生成內容，
而非像專門的生物資訊學資料庫那樣進行精準查詢；
它也無法直接查詢生物資料庫後台，進而修正資料……
……所以希望同學只在不太熟悉的預習作業當中，適度使用 AI，
複習作業就是根據你在上課中的所學，利用生物資訊工具進行回答，
這才是同學在 AI 時代，仍然來修生物資訊的真正意義。
但是在之後那次期末的實作報告，好像那位「過去的自己」並沒有聽勸一樣；雖然報告中並未註明該生如何使用AI，但是報告交上來給老師的那刻，老師跟我都一眼看出這是把題目直接給 AI 模型作答的報告。
圖片由 Google 開發的 Nano Banana Pro 繪製
「直接正中老師的下懷了。」我心裡想著。
老師後來也跟我說：這種方法正是能看出學生有沒有認真學習的方式。
在AI時代，這是比較實際的做法。
從那位學生上面，我也進一步地看出使用 AI 來協助學習的另外兩大關鍵。
首先，AI 給的東西，永遠要再查證過一次；
像是七十幾頁的重複序列，明顯不合邏輯這點，
如果該生有仔細檢查，不只是複製貼上的話，一定能夠避免這類的情況。
另外，就是對於AI協助的定位問題。
AI有可能是主管們的助理，
但不能請助理去代辦主管才熟悉的一切；在大學中的磨練亦然。
結語
寫到這一段的當下，教授、助教與學生之間對於 AI 的拉鋸戰，已經踏入了第四年。
但是我倒是覺得這不像是一場戰爭，更像是在一個全新的工具出現以後，
大家都在學習如何應對的一個過程。
而我的應對，從學生的角度，再到助教的角度，有一個關鍵是不變的：
將AI當作最佳化作品一部份的「助手」，而非全然代辦的「勞工」
AI當然可以協助我們做好一部份的事情；
但是那些事情背後「目的」的釐清，還是要由我們來主導，
並決定要如何讓AI最佳化我們的專案或作品。
現在AI的浪潮已經深深席捲到我們的日常生活當中；
隨著單純的抗拒AI，在現在的競爭當中已變得愈來愈不切實際，
我們的心態也必須與時俱進；唯有與AI共存，並維持住我們主導一件事情、專案的地位，才能讓我們在持續進步的同時，免除被AI取代的命運。
如果喜歡這篇文章，記得按個愛心與收藏。各位的支持，都將是我持續創作的動力。
下一篇文章，將會分享我教導實驗室夥伴如何寫 Python 的心得，
以及碩博五年一貫的那一回事，敬請期待！
