【💡 靈感起點】今天才知道Excel的發明人Dan Bricklin：
「VisiCalc（第一款試算表軟體）的目的，不是為了做會計，而是為了讓那些需要思考數據的人能擁有一個可以隨意嘗試、模擬現實的沙盤。」
總覺得EXCEL很適合拿來發想自己想要設計的小系統或功能，原來一開始就是這麼規劃的，只是我們後人看到格子只想到填上數字。閱讀AI agent相關文章時，裡面提到開發注意事項，跟在EXCEL操作的觀念很接近。探究後，發現EXCEL是個很好鍛練AI基本功的地方。透過熟悉的工具來打底，等工具更成熟時，減少摸索時間就可以上手。
─── I Say🧠 ─── AI Write 🖋️ ───
1. 溫柔的隱喻：Excel 是 AI 的「視覺化翻譯官」
AI 的運作邏輯往往藏在黑盒中，這對非技術背景的人來說充滿不安。而 Excel 提供了**「所見即所得」**的安心感：
- Excel 是「慢思考」的練習場： 在 Excel 裡拉公式、對參照，就像是在手繪地圖。雖然慢，但每一步你都看得到風景，知道為什麼 A 會導向 B。
- AI 是「快思考」的推進器： 當你手繪過地圖（理解 Excel 邏輯），你換成開飛機（下 Prompt）時，才不會因為速度太快而失去方向感。
2. 為什麼 Excel 是最好的「AI 入門課」？
我們在 Module 2 可以轉化語氣，將 Excel 定位為**「數位轉型的親民門票」**：
🚀 能力遷移：Excel 邏輯 vs. AI 指令 (Prompting)
我們將 Excel 的日常操作，對應到 AI 架構師的底層能力。這能讓上班族明白，Excel 的每一格公式，都是在為 AI 的「Context (就位)」打基礎。
從 Dan Bricklin 的「思考工具」視角來看，你的直覺非常精準。Excel 的設計初衷與 AI (人工智慧) 的底層邏輯，在「資料流」與「邏輯傳導」上有高度的對稱性，確實是練習 AI 基本功的絕佳沙盒。
為什麼 Excel 適合練習 AI 基本功？
1. 視覺化的「計算圖」(Computational Graph)
AI 模型的本質是一連串的數學運算節點。在 Excel 中，每一個 Cell 就是一個 Neuron (神經元)，而公式則是 Edge (連線)。
- AI 邏輯： 輸入向量 -> 權重運算 -> 激活函數 -> 輸出。Excel 實作： 當你把 A1 * B1 的結果傳給 C1 時，你就在建立一個簡單的前向傳播 (Forward Propagation)。這種「格子間的依賴關係」，正是類神經網絡最直觀的物理呈現。
2. 數據與邏輯的「透明化」
現代 AI 框架（如 PyTorch 或 TensorFlow）常被視為黑盒子，代碼背後發生了什麼很難一眼看穿。
- 在 Excel 裡，你可以看到數據如何從原始狀態 (Raw Data)，經過歸一化 (Normalization)、加權、求和，最後變成預測值。這種**「手感」**能幫助你建立對數據分佈與線性代數的直覺，而不是只會呼叫 API。
3. 實作「演算法優化」的本質
Dan Bricklin 強調的「即時回饋」，正是 AI 訓練中 Loss Function (損失函數) 的核心概念。
- 你可以手動調整一個儲存格的數值（模擬參數微調），觀察目標儲存格（誤差）的變化。這就是在模擬 Gradient Descent (梯度下降) 的過程。透過觀察「輸入微調」如何帶動「輸出變動」，你就在訓練自己大腦對算法優化的敏感度。
Excel 作為 AI 練習場的優勢
AI 概念Excel 對應操作訓練目的特徵工程欄位轉換、分桶 (Binning)、IF 判斷學習如何提取有效特徵線性回歸LINEST 函數或散佈圖趨勢線理解預測模型的基礎數學矩陣運算MMULT 矩陣相乘掌握神經網絡的資料傳遞參數優化規劃求解 (Solver) 套件理解如何尋找局部最優解
總結
Dan Bricklin 將試算表設計成一個「反應系統」，這讓 Excel 成為一個天然的數位電路實驗板。如果你能用 Excel 刻出一個簡單的邏輯迴歸 (Logistic Regression) 甚至小型神經網絡，你對 AI 的底層理解將遠超直接寫 Python 的人。
