這幾天一直在思考一件事情：自己使用 AI 的方式，究竟是在加速我的思考，還是在代替我進行思考的環節？
回想以前自己在摸索一件事情的時候，總是會經歷一段痛苦的學習階段，大學時期坐在書桌前看著高等微積分題目，痛苦思考推導的過程，就算現在想起來仍然記憶猶新。
現在AI可以靠一句提示詞就完成資料蒐集甚至產出結論，好像一切都是這麼水到渠成。
以前我以為直接看這些整理好的重點，就是所謂的思考跟學習。但久了我發現對於這些內容的記憶力蠻低的，每次都想說「不是之前才看過，怎麼又想不起來」，反倒是讓我痛苦一學期的微積分印象深刻。
於是我把這個自我覺察的現象丟給 Gemini，要求它給我一個建議。它提供的兩個概念我覺得蠻有道理的：「認知邊界」與「算力外包」。
以下是Gemini產生的內容
第一個是「認知邊界」：
認知邊界就是你目前的知識能夠觸及到的最遠範圍，超過這個範圍的就是未知領域。要如何拓展認知邊界？必須透過你實際的腦力運算去延伸這個觸手，增加未知領域跟現有領域的連結程度。如果你在原本領域的知識專業深度就已經足夠，以此為基底向外延伸，觸及速度就會比較快，且能夠拓展得比較廣泛。
第二個概念是「認知外包與算力外包」的差異：
就我的理解，一個是表層的東西，一個是底層核心的運作原理。
「認知」就是你腦袋在進行思考、思辨跟理解的過程。各位可以思考一下，以前哪一件事情讓你的印象特別深刻？你會發現這些記憶點的背後，其實都經歷過接觸、反思或接受情緒等各種「摩擦力」，才能讓知識強烈地附著在腦海當中，這部分必須親自進行，不能外包。
而「算力」指的則是重複性運算的過程。舉例來說，在工作專案上需要進行大量資料收集、網路爬文與分析等繁瑣耗時的工作，就可以外包給 AI，讓它用算力來幫你解決。
所以話說回來，還是讓AI幫我做事情吧？
對，但關鍵在於你執行思考的行為（底層認知）並沒有交給AI。
當 AI 幫你收集完上千份資料後，你需要知道提取哪些關鍵參數來重新評估專案。
至於你怎麼知道該問什麼問題讓 AI 幫你做到精確？這就回歸到你自己的專業領域有多深如果你一直保留思考與學習的過程，就能夠問出正確的問題，讓 AI 幫你做出正確的運算。這就是算力外包跟認知外包的差異。
培養這樣的 AI 運用方式，保留自己思考的部分，對於精進自己蠻有幫助的。
橋水基金創辦人瑞達里奧提出進步的公式：「進步等於痛苦加上反思」
反思就是一個思考的過程，你可以將其看成是尋找方向跟答案的方法。
另外可以參考前美國空軍飛行員提出的一套方法，叫做 OODA 循環：
觀察（Observe）、定位（Orient）、決定（Decide）、行動（Act）。
在這四個環節中，部分工作可以用 AI 幫忙：
- 觀察（Observe）：觀察數據與資料你可以交給AI，運用提示詞交給AI協助。
- 定位（Orient）：思考這些資料對你的意義、應該考慮的事情以及未來可能決策方向，這部分絕對要靠自己，因為這屬於思考的環節。
- 決定（Decide）：基於前面定位產出的結果來選擇方案，你可以使用 AI 幫你評估所有選項的風險、成功率或盲點，但最終決策必須由你來做，因為承擔風險的是你，而不是 AI。
- 行動（Act）：執行決策，你可以用 AI 幫你製作簡報、表格或報告呈交給主管。
每做完一次這個閉環，你就會進步一點，AI 在此的功能是去加速這個閉環的迭代，幫助你找出盲點。
結論：重新定義使用AI的方式
- 不要放棄思考的過程
- 高重複性的工作可以外包給 AI，但務必保留自己思考的環節
- 也就是目前最大的做法改變，不要讓 AI 代替你思考，可以從修改提示詞開始運用
例如，原本的提示詞為：「請告訴我這段內容哪裡有錯誤並幫我修正」。
現在我會這樣寫：「幫我找出這段內容中邏輯或名詞錯誤的段落，『絕對不要』直接告訴我正確答案，請透過問題引導我去思考或者去翻找資料。」
最後，讓 AI 幫你定義出盲點或錯誤，並引導你去尋找正確答案與思考。
我認為這是目前在使用 AI 上最需要去改進、也最有價值的地方。
