本篇文章更新時間：2026/01/31
如有資訊過時或語誤之處，歡迎使用 Contact 功能通知。
一介資男的 LINE 社群開站囉！歡迎入群聊聊～
如果本站內容對你有幫助，歡迎使用 BFX Pay 加密貨幣 或 新台幣 贊助支持。
內容目錄
AI 協助如何影響程式技能養成：當效率變快，學習會變慢嗎？
編輯前言：這篇文章來自 Anthropic 的研究報告，How AI assistance impacts the formation of coding skills。它探討一個正在發生、卻被嚴重低估的問題：AI 寫程式越來越強，但會不會反過來讓工程師的能力變弱？
核心觀點 (Key Takeaways)
- AI 確實能讓部分程式任務變快，但在這份研究中，只帶來不顯著的小幅加速。
- 使用 AI 的參與者在理解與概念掌握上的得分 平均低 17%，尤其在除錯題目差距最大。
- 不是使用 AI 就會變弱，而是 怎麼使用 AI 決定你能不能真的學到東西。
深入解析
這篇研究以隨機對照實驗方式，找了 52 位具有 Python 基礎但不熟 Trio（異步庫）的工程師，觀察他們在「學一個新技術」時，有沒有 AI 協助會帶來什麼差異。研究問題其實非常直白：
人在靠 AI 完成任務時，是否還能有效學習？
研究分成三部分：暖身、兩個 Trio 實作題目、最後是理解題測驗。題目類型涵蓋除錯、閱讀、概念理解與寫碼，但重點放在比較偏高階能力的面向（因為未來低階寫碼會更容易被 AI 取代）。
結果非常清楚：
AI 組平均分數 50%，無 AI 組則是 67%。差距近兩個等級。
最明顯的弱點落在「除錯」，也就是 AI 協助最可能讓人被動接受答案、放棄獨立推理的部分。
- AI 加速不顯著：使用 AI 的確稍微快兩分鐘，但差異不達統計顯著。
- 理解差距顯著：分數落差 17%，尤其是概念與除錯能力。
這與現實在職工程師的切身體感完全呼應：AI 可以幫你寫，但能不能幫你理解？那就要看你怎麼用。
AI 使用方式的差異：決定誰學得快、誰學得慢
研究者在質化分析中，標註所有錄影並分類了使用者的「AI 互動模式」，這部分我覺得是整篇最有價值的地方，因為它揭露了「有效使用 AI 學習的人，到底做了什麼不一樣的事情」。
低分組：高度依賴 AI
- 完全委派（AI delegation）：幾乎全靠 AI 生出程式碼。最快，但學最少。
- 漸進依賴（progressive reliance）：一開始想自己寫，後面放棄，全部交給 AI。
- AI 迭代除錯（iterative AI debugging）：一直問 AI 這裡錯哪裡，但沒有真正理解。
這些模式的共同點是：把腦交出去。
高分組：把 AI 當成理解工具，而不是代工外包
- 生成後理解（generation-then-comprehension）：先讓 AI 生，再問為什麼。
- 混合查詢（hybrid code-explanation）：每次請求都要求同時解釋。
- 純概念詢問（conceptual inquiry）：只問概念，用理解自己完成任務。
這三個模式有個共同特徵：
使用者把 AI 當成「助教」，而非「代筆者」。
筆者心得與啟發
讀完這篇研究，我最深的感觸是：
AI 不會讓你變強或變弱，但你對 AI 的使用方式會。
很多工程師其實已經在生活中看到這樣的跡象：
- 離開 AI 就寫不出程式
- AI 生的程式錯在哪裡看不出來
- 新技術永遠停留在「能用但不懂」的狀態
這不是能力退化，而是 學習模式被重塑。
研究提到的一個重要觀點，我非常認同：
卡關其實是學習的一部分。
當 AI 把你卡關的部分直接解決掉，你就失去了深層理解的機會。
我會建議工程師在使用 AI 時可以養成三個習慣：
- 一定要問為什麼：不要只拿答案，要求 AI 解釋。
- 刻意保留部分思考過程：先想 30 秒再問 AI。
- 讓 AI 協助你理解，而非直接取代理解。
同樣地，企業管理者也應該要重新思考：
- 如果新手工程師完全不知道 AI 生的 code 為何正確，那未來誰負責 code review？
- 大規模 AI 導入會不會反而讓團隊的 debug 能力下滑？
這篇研究是非常早期但重要的一步，它提醒我們：
在 AI 成為每個人的日常工具之前，我們得先搞懂：如何與它合作，而不是被它取代我們的思考。