最近常看到一個問題：
既然AI已經可以提供高度個人化的學習，那我們還需要學校與教授嗎？
這個問題很有趣，因為我觀察到一個現象：
沒有讀過博士的人，往往比較容易覺得「可以取代」；
而真正經歷過研究訓練的人，反而更清楚——
不行。
第一層：AI的強項，是把你已經想清楚的東西「補完整」
如果你很會用AI，你會發現一件事：
只要你把需求講清楚，AI可以幫你把細節補得非常完整。
例如：
幫你整理概念
幫你生成推導
幫你寫出一個合理的解釋
但這裡有一個前提：
你已經知道你在做什麼。
第二層：研究的核心，不是答案，而是「問題的生成」
在應用數學、統計或機器學習的理論研究中，最困難的通常不是證明本身，而是：
你到底要證明什麼？
這個問題，很少在一開始就清楚。
它需要：
反覆嘗試
多角度探索
長時間的卡關與修正
而這個過程，是AI目前很難取代的。
因為它不是在補全，而是在「生成方向」。
第三層：只做理論，會掉進抽象的陷阱
如果你只是坐在辦公室裡，一直推理論，很容易發生一件事：
你會建構出一套看似嚴謹，但其實不貼近現實的模型。
例如：
假設條件過於理想化
忽略實際資料的限制
得到一些對現象沒有解釋力的結果
這些東西，形式上可能是正確的，但沒有價值。
第四層：實驗經驗，是理論的校準器
這也是為什麼，在統計與機器學習中，有一個很重要的原則：
你必須先有足夠的實驗經驗。
如果你做統計，你需要實際處理過資料；
如果你做演算法，你需要跑過大量實驗。
因為只有當你看過：
不同資料的行為
不同方法的表現
各種 edge case 與 corner case
你才知道，理論應該往哪裡走。
第五層：理論的價值，在於「預測與解釋」
理論的目的，不只是形式上的美感，而是：
幫助你理解與預測。
當你建立一個模型，你其實在回答：
在什麼條件下，這個方法會有效？
在什麼情況下，它會失敗？
當環境改變時，結果會怎麼變？
這些問題，都需要你同時理解：
數學結構 + 實際現象。
第六層：只做實驗，也會走到另一個極端
當然，反過來說，如果你只做實驗，不做理論，也會有問題。
你可能會：
發現很多現象，但無法解釋
調出有效的模型，但不知道為什麼有效
面對新問題時，沒有遷移能力
這會讓你的工作停留在「經驗層」，而不是「原理層」。
第七層：教授的價值，是帶你穿越這兩個世界
這也是為什麼，教授與學校仍然重要。
因為一個好的指導者，會幫你做一件很關鍵的事：
在理論與實驗之間，建立來回。
他會問你：
這個假設合理嗎？
這個結果能解釋什麼？
你有沒有看過其他情況？
這些問題，不只是知識，而是「思考的方向」。
第八層：AI可以加速，但不能取代「方向感」
回到AI。
AI可以幫你：
更快整理資訊
更快生成內容
更快驗證某些想法
但它無法替你決定：
哪一個問題值得做。
而這個「方向感」，正是研究中最核心、也最難培養的能力。
結論：教育的本質，不是傳遞答案，而是培養判斷
所以如果要回答一開始的問題：
AI會不會取代學校與教授？
我的答案是：
它會改變形式，但不會取代本質。
因為教育的核心，從來不是把答案給你，而是讓你知道：
什麼問題值得問，
什麼方法值得用，
什麼結果值得相信。
而這些能力，來自經驗、來自互動、來自長時間的思考訓練。
AI可以幫你走得更快，但方向，還是要你自己決定。
P.S.1. 《AI共讀力五週陪跑營：用 OpenAI Codex × Obsidian 與 AI Agent 共讀一篇Paper》即將在2026年5月10日到6月7日，每週日早上 8:00–9:00（台灣時間）開跑！歡迎點此報名！
P.S.2. 終於開啟「研究生日課」的 Skool群了！會陸續加入對碩博士生有幫助的資源！歡迎透過此表單申請加入.
P.S.3. 我的電子書《馭文獻之鋒:Obsidian 與 四種良品筆記法引領高效研究》可以在這裡看試讀版，在這裡填表購買。另外電子書《結論優先寫作術:臺灣碩博士生的高效表達指南》可以在這裡看試讀版，在這裡填表購買。
P.S.4. 歡迎追蹤我的FB, IG, Threads，每天都會分享對碩博士生有價值的內容。
P.S.5. 歡迎訂閱我的Youtube頻道「用Obsidian強化學術筆記力」！