昨天 Day 29，我們讓 AI 坐到面試桌的另一邊，根據職缺、履歷與證據庫，一題一題追問。練習到最後，真正走進面試的人還是自己。
今天是這個系列的第三十天。照理說，我應該準備一場成果發表，展示自己已經學會多少模型、工具與專有名詞，最後在畫面上放出金色彩帶：
恭喜你完成 30 天 AI 學習，已解鎖「人類 2.0」。
但現實比較像是：學了三十天以後，我終於更清楚自己還有多少不知道。
AI 當然不會因為這個系列結束就停止更新。今天很熱門的模型，下個月可能換名字；昨天剛學會的介面，哪天打開又搬家。現在覺得很厲害的工作流，過一陣子也可能變成產品裡的一顆按鈕。若把「全部學完」當成畢業條件，這張畢業證書大概會永遠卡在系辦等待補件。
回到 Day 1，我一開始替自己選了四種能力：批判性思考、元認知、成長心態與好奇心，再加上一點點能忍受失敗的堅韌。這個系列反覆使用的節奏，也不是背誦、考試、拿滿分，而是：
觀察、反思、迭代。
走到 Day 30，我還是沒有把 AI 學完。至少，我開始有一套面對新東西的方法：先看它做了什麼；不確定時，分開事實與推測；結果不如預期，就回頭找自己漏掉什麼，再換一種方式試一次。
三十天真正留下的，不是一張 AI 證書，而是一個願意繼續更新的自己。
前幾天回頭看整個系列，我才發現這條路和一開始想像得不太一樣。
最前面，我們拆開 Transformer、Token 與下一個字的預測，想知道 AI 為什麼能產生看起來像答案的文字。接著，我們學 Prompt、格式與 Context，練習把一件工作說清楚，也理解模型看到的不只是一句提問。
再往後，Function Calling、API、MCP 與 Skill 一個接一個出現。AI 不只會說，還開始可以取得資料、使用工具、執行步驟。於是我們替 Agent 寫規則、留下紀錄、確認權限，也開始問：事情做完了，我能不能知道它到底做過什麼？
等到工具愈來愈多，我們又回頭檢查自己的流程。借來的 Best Practice 適合誰？以前有效的方法今天還有效嗎？AI 給了很多理由，是因為證據真的支持，還是因為它很會把我的想法說得更漂亮？
最後四天，我們甚至暫時放下「AI 又能做什麼」，把它帶進求職。它幫忙打開職涯地圖、追問過去經歷、整理可信證據、對照職缺，也坐到對面進行模擬面試。
表面上，這三十天學了很多技術名詞。可是每一個名詞最後都把問題送回人身上：
Prompt 寫不清楚，常常是需求還沒想清楚。Context 堆得很滿，問題也可能不在資料太少，而是不知道現在真正需要什麼。履歷寫不出來，缺的往往不是華麗句子，是還沒有重新整理自己做過的事。
我原本以為自己在訓練 AI 怎麼回答。後來才發現，AI 也一直逼我練習怎麼說明、怎麼判斷，還有怎麼承認：「這裡我其實不知道。」
AI 很像一面會說話的鏡子。它照出的不只是一個答案，也包括我們怎麼提問、相信什麼，以及刻意沒有看哪裡。
一面愈來愈懂自己的鏡子，聽起來很好。
它知道我偏好繁體中文，知道我不喜歡沒有來源的結論，也知道我寫文章時會放進生活案例和一點冷笑話。合作久了，不必每次從頭解釋，很多工作確實可以更快進入狀況。
但 Day 25 談過一個比較不舒服的問題：AI 理解我們的同時，也可能開始迎合我們。它未必直接說「你永遠是對的」。只要接受我們放進去的前提，再補上理由、案例與漂亮結構，就可能讓原本的想法顯得更完整，也更難懷疑。
個人化愈成功，這個問題反而可能愈隱密。因為 AI 開始知道什麼語氣會讓我接受，什麼答案會讓我感覺「它真的懂我」。久了以後，我喜歡這個 AI，可能是因為它可靠；也可能是因為它很會保護我原本相信的世界。
我也開始注意，「自己的 AI」並不是把現在的我完整複製一份。它認識的是我曾經說過的話、留下的文件、接受過的答案，以及某段時間裡反覆出現的偏好。它保存的，很可能只是過去某個版本的我。
如果我曾經偏好某種工作方式，AI 便可能持續用那套方式協助我；如果我過去總是避開某類問題，它也不一定會主動把問題搬回桌上。個人化可以減少重複交代，卻也可能讓昨天的習慣看起來像今天仍然有效的規則。
所以，我現在會偶爾回頭問：這些偏好還適合我嗎？哪些規則來自經驗，哪些只是因為做久了比較舒服？一個真正屬於自己的 AI，不能只保存原本的我，也要容得下我改變。
我不是說每次打開 AI，都要先請它攻擊自己的人格。理解、支持與鼓勵都有價值。只是當我需要重新檢查判斷時，不能因為答案太舒服，就忘了外面還有不同資料、不同角色，以及不一樣的生活經驗。
一個愈來愈像我的 AI，也可能讓我愈來愈少遇見不像我的觀點。
2026 年 8 月 29 日，我參加了 Platform 月台的「月台專列」。那天由唐鳳擔任主角，丹增央措作為同行對談者，主題是「對齊的另一面：反向對齊」。
我們平常談 AI 對齊，常是在問怎麼讓 AI 符合人的價值與要求。反向對齊則把問題轉回來：當 AI 的能力快速成長，我們的工作、教育、制度與治理，有沒有跟著調整？人與社會是否有能力接住這些改變？
其中一段，剛好碰到這三十天一直繞回來的問題。唐鳳提到，AI 的說服力愈來愈強；互動一段時間後，它也可能逐漸知道決策者喜歡看什麼。即使判斷有問題，仍然可以寫出洋洋灑灑、非常具有說服力的內容。
更麻煩的是，當人與 AI 的對話過度私密，判斷又沒有分享給團隊，最後可能形成一個只有使用者與 AI 的「兩人世界」。
這個畫面讓我想到：以前我們擔心辦公室裡有人只聽得進好消息；現在那位永遠不會下班、還會自動排版的幕僚，也可能非常懂得怎麼說我們愛聽的話。
唐鳳沒有因此拒絕個人 AI，而是刻意替互動增加摩擦。唐鳳要求 AI 不要一直說「你講得真是太棒了」這類空泛稱讚，先把不同利害關係人的共同點與衝突整理成可以分享的一頁內容。當 AI 要加入自己的判斷時，還必須用「網路上最酸的酸民」那種口味指出錯誤；有些討論則會讓三、四個模型彼此批評。
忠言不一定每次都逆耳，但如果所有話永遠都很順耳，也值得回頭檢查一下，這一定有問題！
不過，這裡最重要的不是把啦啦隊解僱，再聘請一位全職酸民坐在 Context 裡。Day 25 已經提醒過，凡事唱反調不代表 AI 比較聰明。
我從這段話帶走兩件事：先替判斷加入反例與摩擦，別讓 AI 只沿著我的偏好加速；再把判斷整理成其他人看得見、問得動、改得了的形式，別永遠留在私密聊天視窗裡。
需要被校準的不只是 AI 怎麼回答，也包括我們願不願意讓不同的聲音進入自己的判斷。
私人 AI 最迷人的地方，可能就是它愈來愈懂我，我也愈來愈少需要向別人解釋。
但很多真正困難的問題，本來就不只屬於一個人。學生在意怎麼進入職場，教師在意怎麼培養能力，業界在意工具能不能解決真實問題，政府機關則必須面對政策導入 AI 後的責任、風險與公共影響。每一種角色看到的都只是整體的一部分。
如果每個人都回到自己的聊天視窗，請自己的 AI 整理出一份最符合自身立場的答案，我們可能得到更多完整報告，卻不一定更理解彼此。
但個人的判斷需要不同觀點，一個領域的轉型也需要不同角色坐到同一張桌上。
這也是我將建立 AI × Earth Facebook 與 Discord 社群的原因。我不想只分享工具連結，更希望人們學完以後，還能繼續提問、做東西、交換經驗。那些平常不太會出現在同一場 AI 活動裡的人，也能在這裡聽見彼此。
我看到的第一個缺口，在高等教育與快速變動的真實世界之間。
AI 發展太快，學校課程不可能每次都即時更新；但如果學生只能自己追逐零散教學，又很容易只學到某個工具今天怎麼按，不知道資料、專業判斷、組織流程與責任如何在工作現場交會。
所以，我預計在 2026 年 9 月中旬安排免費的 AI × Earth 線上 Education，主要面向全臺地球科學相關科系的學生。地球科學學生缺的當然不只是一堂 Prompt 課。這個領域同時碰到大量資料、模型、觀測、風險溝通與公共決策。AI 能加速很多工作，也更需要知道什麼可以交給模型，什麼必須回到資料、專業與人來判斷。
內容希望讓學生接觸 AI，也理解真實世界的工作如何運作：問題怎麼被定義、工具怎麼被選擇、結果如何驗證、跨領域的人怎麼合作，以及一個看起來很漂亮的答案，最後由誰承擔。
這項免費教育也歡迎想學習 AI 的初學者，以及對 AI 教育有興趣的人參與。它不會一次補完高等教育的所有缺口，更不可能上完一堂課就自動轉職成功。我比較實際的期待，是先替不知道怎麼開始的人提供一個入口，再從參與者的真實問題裡看見：現在的教育還缺哪些橋。
課程結束之後，還有另一個問題。
在我參加過的 AI 活動裡，許多活動主要面向獨立開發者與企業。這些交流很重要，能讓新工具與實作經驗快速流動；相較之下，學界與政府機關的人員比較少持續出現在同一個學習場域。
少了學界，技術討論可能很快，卻不一定回到研究方法、教育現場與長期人才培育。少了政府機關，大家可以提出很多「政策應該使用 AI」的想法，卻很少一起處理責任歸屬、可驗證性、採購限制、公共風險，以及哪些決定不能因為有效率就直接外包。
我預計在 2026 年 10 月中旬舉辦 AI × Earth Meetup，希望搭起一個產、官、學可以持續學習、平等發言的平台，而不是再辦一場台上專家輸出、台下聽眾負責點頭的單向講座。
對業界而言，這可以是一條持續接觸 AI 發展與跨領域案例的學習管道，也能聽見不同專業真正卡在哪裡，而不只是猜測下一個市場需要什麼。
對教師與學生而言，可以更直接看見真實社會正在處理哪些問題、使用哪些工具，以及課堂裡的專業知識如何在工作現場被運用。學生不只是在畢業前突然收到一句「業界需要即戰力」，而是有機會提早理解，那個「戰場」究竟在處理什麼。
對政府機關而言，則可以和實務、教育與研究端一起看清楚：一項政策引入 AI 後，能力的邊界在哪裡？資料與判斷如何被驗證？效率提升之後，責任是否仍然找得到人？
這些角色的經驗不同，說話方式也不同。平等發言不代表所有人的判斷都一樣，而是每一種角色都能提出自己看到的限制，也願意聽見其他人為什麼做出不同選擇。
AI 仍在快速變動。如果每個人只在自己的跑步機上加速，最後可能都很累，卻沒人知道彼此跑去哪裡。我希望 Meetup 至少能讓大家偶爾停下來交換地圖，也看看有沒有人被留在後面。
三十天前，我問的是：我們究竟該學 AI，還是學會如何學習？
現在回頭看，這不是二選一。我們當然需要理解 AI，否則很難知道它能做到什麼，也看不出它在哪裡出錯。但學習 AI 的過程，也讓我重新檢查自己的工作方法、判斷標準、職涯選擇，以及我想和什麼樣的人一起前進。
AI 幫我做得更快，也讓我看見：速度不是所有事情的 KPI。它能替我整理答案，不能替我決定哪些問題值得問。即使有一個很懂我的助手，我仍然需要朋友、同事、學生、教師、業界與公共部門的不同經驗，提醒我世界不是只由自己的 Context 組成。
所以 Day 30 不是把這個系列封箱，也不是宣布自己已經追上 AI。它比較像把個人學習的桌子搬到一個更大的房間：桌上仍然有自己的工具與問題，但旁邊開始坐著不同背景的人。
如果你想繼續一起學習、提問或分享實作，可以從文末的 AI × Earth Facebook 與 Discord 入口加入。Education 與 Meetup 的後續資訊，也會在社群中持續更新。
這三十天，我最後更新的不是履歷上的技能清單。我想留下的是面對新知識時的幾個習慣：保留好奇、允許不知道、要求證據、願意修正，也不要只因為一個答案很像自己，就立刻相信它。
AI 還會更新很多次，我們也是。
使用 AI 之後，你改變最多的是哪一件事？是完成工作的速度、提問的方法，還是看待自己的方式？
你現在最常使用的 AI，讓哪些觀點變得更清楚？又有哪些觀點，可能因為它太了解你的偏好，反而更難被看見？
如果三十天後還要再替自己留下一個新的學習入口，你希望下一次走進來的，不只是什麼工具，也包括哪些不同的人？
真正需要持續更新的，不只是模型，也包括我們理解自己、理解別人，以及一起學習的方法。
或許2027的Ithome可以再來分享接下來一年AI X Earth的成長經驗，謝謝大家。
iThome鐵人賽
看影片追技術