當 AI 可以把工作做完，新人要怎麼學會？

上週讀了 MIT 的〈What is the best path forward for AI in academia?〉，這週又看到微軟與卡內基美隆大學（CMU）合作的 PRAISE（Preceptorship for AI-accelerated Software Engineering）計畫。

兩篇文章其實關注著類似的問題。上週 MIT 的文章提到，過去傳統的學術訓練中，計算、寫程式，以及一次次失敗的嘗試，都是培養直覺與判斷力的重要過程。但當這些工作逐漸被 AI 接手，我們也可能失去累積專業能力的機會。而這週看到的 PRAISE 計畫，剛好從另一個角度呼應這個議題，試著探索 AI 時代該如何培養下一代的工程師。

PRAISE 借用護理領域的帶教概念，讓初階工程師與資深工程師配對，在實際工作中學習如何使用 AI。資深者會分享自己的解題方式與判斷依據，也讓新人有空間提出問題、檢驗假設，討論自己還不熟悉的程式變更。計畫中，CMU 則提供正式課程，讓參與者一邊在微軟工作，一邊透過線上課程補足軟體工程與 AI 的知識。整個概念跟 AI 陪跑簡直有 87 分像！

他們提出這個計畫的初衷也很直接。現在的初階工程師，就是未來的資深工程師。但隨著 AI 能完成愈來愈多程式開發工作，過去新人用來累積經驗的任務，也可能逐漸消失。因此，與其要求新人繼續用傳統方式工作，不如重新設計學習過程，讓他們在 AI 的協助下，仍然能夠培養系統思維、技術品味與判斷力。

舉個簡單的例子，過去我們在繪製一張科學圖表時，可能需要先了解資料格式、上網尋找既有程式，再嘗試修改成符合自己需求的版本。有了初步成果之後，還會參考別人的圖表，不斷調整配色、版面與標示，慢慢把圖表修改成乾淨、美觀又容易閱讀的樣子。走過這整個流程，除了學會看程式，也逐漸累積了一點圖表設計的美感。

到了 AI 時代，整個流程可能簡化成「提示詞 → 漂亮圖表」。這樣當然很有效率，但如果完全不需要理解程式，久而久之，可能就失去閱讀與修改程式的能力。至於圖表的美感，如果使用者缺乏自己的判斷標準，也可能只是產出另一張看起來很精美的 AI Slop。

但我覺得還有一個更值得注意的問題。因為從「提示詞」到「漂亮圖表」，AI 其實可能採用各種不同的處理流程。有些方式是透過程式讀取原始資料，再進行運算與繪圖；但也有可能直接把科學數據放進 AI 的 Context，讓模型解讀、整理，甚至重新產生繪圖所需的數據。這兩種方式對使用者來說，可能都只需要輸入一段提示詞，最後也都會得到一張漂亮的圖。但後者如果沒有適當的資料驗證，就可能發生數值錯誤、單位混淆，甚至畫出一張看起來很合理、實際上卻與原始資料不符的圖表。對科學研究來說，這就不是美不美觀的問題，而是結果到底能不能被信任。

所以，如果旁邊有一位熟悉 AI 工作流程，又具備相關專業經驗的人，他可能很快就知道應該打開哪些檔案、檢查哪些程式，以及如何回頭核對原始資料。更重要的是，他可以把這些判斷方式教給新人，讓對方下次遇到類似問題時，也知道該從哪裡開始檢查。AI 可以加速完成工作，但過去透過實作累積的經驗，仍然需要透過其他方式傳承。尤其在學術研究中，經常涉及大量的計算、資料處理與繪圖。如果沒有接受過相關訓練，即使知道 AI 可能出錯，也不見得知道該檢查什麼，更不知道要從哪裡開始。常態的做法就會把這個鍋再甩給另外一個AI。

當然，PRAISE 的實際成效仍然值得持續觀察。目前微軟與 CMU 的官方介紹主要著重在計畫設計，還沒有提供足以評估長期學習成效的數據。要把這樣的模式落實，也需要資深者願意投入時間指導，新人願意主動思考、提問與學習。

但至少已經開始嘗試改變既有的培訓方式。畢竟 AI 正在改變我們工作的方式，如果教育與人才培養仍然停留在過去，問題恐怕只會愈來愈明顯。試了才知道哪裡需要調整，不試就只能原地踏步。

參考來源：微軟原文｜PRAISE 訪談影片｜CMU 官方說明