當 AI 陷入局部最佳解死結：為什麼未來的核心技能，不是「解問題」而是「定義問題空間」？

上一篇文章說到，這陣子業界很流行把自動駕駛的 L1 到 L5 架構，直接套用在軟體開發或機器學習（ML）的 AI 自主性上。

很多人樂觀地覺得，我們現在正從 L2（你用 Cursor 或 Copilot 當助理）快速過渡到 L3 甚至 L4 的 Agent 時代——以後給個通用描述，AI 就會自己找 PM、QA、SWE 組隊把事情做完，人類只要在旁邊當個 Observer（旁觀者）就好。

聽起來很美，對吧？但說穿了，現實往往比想像中骨感得多。

當 AI 們聊開了，就是一本正經地拿蘋果比鳳梨¶

很多人以為只要把一堆 AI Agent 丟在一起，給個「某個機器學習專案」的模糊目標，它們就能自己搞定一切。

但實際上，我最近就遇過這種狀況，大家一定也不陌生。當你放手讓那群 PM AI、QA AI、SWE AI 自己去討論可行方案時，一旦它們「聊開了」，就會集體陷入一種奇妙的自我盲區。它們會開始拿蘋果跟鳳梨做比較，卻還能用極其專業的語氣「一本正經地胡說八道」。

在機器學習的術語裡，這叫做卡在「局部最佳解（Local Optimum）」的死結裡出不來。

這時候還是得靠人類。你必須像個嚴厲的主管，親自指出錯誤、挑戰 AI 的結論，它們才心甘情願地重新生成。

這就是為什麼我們現在做專案，還是寧可遵循老實的人類工作流程：從討論框架、設計、寫測試、實作到驗證，每一步都把框架卡死。雖然比較耗費時間，但現階段，做出來的品質才可預期、可靠。

我現在每天的日常：「高級抽象話翻譯官」¶

如果你問我，現在日常開發花最多時間在幹嘛？是在看 AI 寫的 Code 哪裡有 Bug 嗎？

其實每天花最多心思的，是怎麼把各種可能抽象或是分散的需求落地，翻譯成 AI 聽得懂的 KPI 與目標函數（Objective Function）。

也因此，你拿到一個要求，不能直接丟給 AI，你得先在腦袋裡把架構畫出來：

• 這東西要怎麼落地才合理？
• 哪邊的設計在效能或運作上比較不會崩潰？
• 最關鍵的是：哪邊需要保留彈性，以應對未來隨時會冒出來的新增需求？

AI 只是在人類定義好的「問題空間」內跑腿找答案。在人人都有AI的今天，如果對AI說：「幫我做個準確率 99% 的模型。」 AI 就很有可能會為了湊數字而偷偷跳步驟，給出一個合乎數學、但在現實商業上是災難的答案。只有專業的人才知道圍牆該築在哪裡，這就是現在 L3 時代真正的專業 Know-how。

現在大家都在焦慮，要不要去補習班學特徵工程（Feature Engineering）、要不要手寫模型？

我也還在學習的路上，我是覺得程式碼是死的。一些基礎 Function 名稱，大概知道有這個東西的名稱就好。實際上在跑訓練和測試資料時，語言模型寫程式跟做測試的速度，早就把人類甩到幾條街外了。

但這不代表工程師要失業了。相反地，人類真正的基本功，是以下這兩件事：

1. 懂 ML 的背後邏輯與概念： 你不需要手寫，但你得懂原理。這樣在訓練過程中，你才能一眼看出 AI 是不是在偷雞摸狗、哪些答案看起來很奇怪。
2. 理解資料背後的隱含意義： 數據本身只是數字，只有人類知道這些數據在真實世界代表什麼。何時該做什麼處理，遇到不懂、懷疑的就去問 AI。你必須跟 Domain 的成員密切合作，因為只有真正搞懂「資料的資料（Meta-data）」，你才能畫出對的問題空間，訓練出好的模型。

還是像很多人都在說的，「解問題」這件事變得越來越廉價，但「定義問題」變得越來越貴。AI 永遠無法自己決定什麼才是對公司最重要的目標。這條路上，會換問題、會畫邊界的人，價值永遠都在。