在 2025 年，我們經歷了 LLM（大型語言模型）快速進步的一年，以 AI Agent 形式的工具越來越多，用於開發軟體的 Coding Agent 也逐漸成熟到變成標準配備，而不是用來快速修改檔案的手段之一。
然而，對於軟體工程師來說，我認為 2026 年最值得投資的並不是學會 Coding Agent 這類工具的使用，而是更根本的能力。
學習「學習」
經過一年大量嘗試這些 AI 工具後，我注意到「學習」本身是最重要的能力，同時也不能用跟過去相同的方式進行學習。
至於為什麼不從使用 Coding Agent 或者其他 AI 工具開始學習，而是要回到重新學習「學習」本身呢？這是因為 LLM 幾乎可以看作是某種資訊的壓縮方式，透過 Prompt（提示）就可以提取出相關性相對高的資訊。
當然，因為模型的訓練資料混入了正確、錯誤或者各種類型的資訊，再加上當模型訓練完畢後就不會再更新，因此會產生幻覺這類錯誤的資訊。
那麼，建構在傳統方式的學習方式就顯得非常無力。以軟體工程師為例，在過去會先從記住程式語言、軟體生態系以及該領域的專業知識開始，我們從被限定範圍（語言、生態、領域）的資訊中，學習出屬於自己的理解和產生對應的脈絡。
到了 AI 時代，讓一段程式碼可以順利跑起來的資訊已經被 AI 直接記住，生態系跟領域知識這些資訊也都不再需要透過長時間的接觸記住，只需要區分被提取的資訊是符合「知識」或者單純因為隨機特性產生的誤差（Error）
到了現在這個階段，影響工程師在軟體開發領域的好壞，已經不再是能熟練記住多少種語言、解決方案，而是可以在短時間內做出判斷，區分當下採用哪種做法更適合，那就需要採取不同方式的訓練。
對於 LLM 輸出的內容，刻意用資訊去形容，這是因為「知識」不一定是單純的資訊，也包含每個人對這些資訊的主觀看法。
互動式學習
不把重心放在學習 AI 工具，並不等同於不去學習或者使用這些 AI 工具，而是要把使用的重心放在「消化資訊」這件事情上。
在過去，學習知識的方法基本上就是到學校跟著老師學習，如果以本質來看，老師的任務不外乎就是。
- 篩選資訊
- 協助消化
- 檢驗成果
篩選資訊基本上就是備課，老師會針對「適合學生程度」的資訊進行篩選，只留下能夠消化的部分給學生，也因此學校、補習班、家教等不同層級涵蓋的是「客製化」程度，在公立學校老師必須考慮所有人的程度，因此大多只能提供最容易消化的內容，對比較優秀的學生就跟「幫不上忙」一樣，家教大多能提供完全客製化的選項，因此份量和品質大多最剛好。
如果是自學者，就是同時扮演老師和學生的角色，優點是篩選的內容通常都是需要的，缺點是沒有分配好資訊的類型，很容易變成營養不良的情境（如：只學喜歡的）
篩選資訊的品質也會影響是否好消化，如果沒有建立好足夠的基礎就跳到非常困難的地方，那麼就會很難去吸收這些資訊，以數學來說，如果沒有加減法的概念，遇到乘法和除法就會很難理解，但如果從「多次加上某個數字」去理解，就能更好地理解乘法。進階的概念通常是初階概念的壓縮，如果無法理解展開後的資訊，那麼高度壓縮、抽象的概念就更難理解。
可以消化也不代表有吸收，以學校來說就是透過考試提供不同的變化，來檢驗是否能在不同的情境下也能區分相同的概念，如果可以的話至少可以確認順利構成對這種資訊的認識，轉變為可用的知識。
回到 AI 時代的學習，當篩選資訊本身不再需要透過人類（老師）來提供，那麼問題就變成消化跟檢驗兩大塊要怎麼利用 AI 來解決。
最簡單的做法就是「學習模式」的使用，在 ChatGPT 或 Gemini 開啟後，就可以讓 AI 來幫助你消化跟進行檢驗，整個過程原本需要依靠老師供應的價值，都可以由 AI 提供，以私人家教的時薪來算，訂閱任何一個 AI 服務都還能剩下很多。
這樣還需要老師嗎？還是需要的，前面也提到自學者即使能自己篩選資訊，也不一定有能力營養均衡或者容易消化，但對於老師來說未來的教學大概也會一點一點走向非常客製化的形式
若要再更近一步，就會需要使用像是畫布（Canvas）這類型的功能，學習模式用來應付簡單、容易消化的知識還足夠，但對於離開學校進入職場的專業工作者，這種程度是完全不夠的。
也因此，能不能根據專業需求篩選足夠廣泛的資訊，在初步掌握「消化方式」後利用畫布機制轉換成可以互動、視覺化的模擬環境，更進一步去挖出學習模式沒有涵蓋的細節，就變成是相當重要的能力，而且過程會高度的客製化。
舉例來說，最近有同事提到 AWS 證照考試，關於 VPC（Virtual Private Cloud）的使用完全沒有經驗，光是讀文件跟考古題還是不能很好掌握。
然而透過畫布，我們可以製作出模擬的子網路（Subnet）搭配流量、路由表的視覺化，很快就可以對原本抽象的 Public Subnet、Private Subnet 的設計、運作方式進行理解。
因此，在 AI 時代掌握的學習技巧，並不單純是「消化資訊」這麼簡單，除了原本的學習之外，還可以更快、更清晰。
基礎能力
為什麼不該去學習 AI 工具的使用本身，這是因為他並不屬於基礎能力。即使學得再快、再多，如果沒有掌握這類工具之所以能夠運作的知識，新工具的出現還是會陷入反覆學習的困境，因此掌握篩選該學什麼的能力也非常重要。
因為獲取資訊的成本變得非常低，我們更應該回過頭來反思以往那些學不會的基礎能力，到底是哪種原因造成「消化不良」像是閱讀、數學這類能力，都能讓我們對大量資訊的判斷變得更好、更快。
我在大學讀多媒體時，才搞懂三角函數的應用，可以用來製作波型的動態或者一些反覆的動作。但在高中時，我唯一沒有及格的科目就是上三角函數那一年的數學，因為老師一開始上課就讓大家把公式死背下來，然後繼續背下更多公式，這並不是對所有人都好的消化方式。
過去我一直覺得自己對機器學習（Machine Learning）和深度學習（Deep Learning）領域沒有興趣，即使參加公司的內部訓練後知道怎麼訓練模型，也無法理解過程跟原理，所以都保持「跟我無關」的態度。
今年受到 AI 衝擊後，新加入使用 AI 的團隊在主管的幫助下，吸收很多數學、統計相關的文章、影片，再回去看機器學習領域的東西，發現自己能看懂的又更多。更進一步，利用公司 Google Workspace 的訂閱，讓 Gemini 幫助我製作互動式的學習工具，對這個領域的理解又更快、更容易。
直到這時才發現，以往很多覺得「學不會」或者「沒興趣」的基礎知識，很可能是沒有適當的環境、工具，但現在有這些 AI 工具可以幫忙突破門檻，讓學習速度維持在有趣的程度，很多偏見就得以消除。
那麼，為什麼基礎能力這麼重要呢？
以軟體開發為例子，假設我們需要處理一個效能問題，但看了一大堆圖表卻完全找不出原因。對主修專業不是電腦科學的我來說，沒有統計的背景本來就很難看出圖表上在統計意義上的解釋，就需要花費更多力氣去判斷和分析，而且很高機率是錯的。
當掌握更多基礎知識後，就逐漸能培養出一種類似直覺（或者說基於經驗的判斷能力）快速看出可疑的地方。
有了這些知識，才能在使用像是 Coding Agent 時用「檢查提案」的方式思考，AI 生成的實作到底是好是壞、合理還是不合理，那麼比起思考怎樣讓 Coding Agent 運作的完美，不如當一個優秀的引導者。
回到開頭的問題，2026 年最值得投資的 AI 技能是什麼？我的答案是重新學習「學習」本身，並且補足那些過去學不好的基礎能力。這些能力不會因為工具更新而過時，反而會讓我們更有效地使用任何新工具。
是不是比較能理解那種「AI 會取代某某職業」的說法從何而來，嚴格來說某些工作內容是一種腦力勞動或者 Dirty Work（髒工作）而這種任務對 AI 來說非常容易，把正確的資訊排列組合並不困難，但缺少的是對問題本身的認識，需要人類去定義當下的「正確」是什麼