AI 技能先錄取新鮮人

我把 Jensen Huang 的新鮮人錄取標準拆開，整理成一份可直接套用的 AI 技能清單和面試模板。

我最近一直在看新鮮人求職的建議，越看越火大。大家都在講「要學 AI」，但講得像在貼標語。你去看履歷，很多人會寫自己會用 ChatGPT，彷彿這是一種人格設定。真的拿去問：你能不能用 AI 幫你拆需求、比方案、抓 bug、寫 spec？很多人就開始飄，答不出來。問題不在 AI 熱不熱，問題在「會用」跟「只會碰」差太多。

我後來看到這篇 India Today 整理 Jensen Huang 在 Lex Fridman Podcast 的說法，才覺得這件事終於講清楚了。不是每個新鮮人都要去當 ML 研究員，而是如果兩個人背景差不多，他會先錄取那個真的會用 AI 的人。這句話很直白，也很不客氣，但我覺得很多公司其實早就在這樣挑人，只是沒明講。

他不是在找「懂 AI」的人，他在找「會跟 AI 工作」的人

“If we were to hire a new college graduate today, and I have a choice between two, one that has no clue what AI is and one that is expert in using AI, I would hire the one who's expert in using AI.”

翻譯一下就是：AI 能力已經不是加分題，開始變成同分比賽的勝負手了。Huang 不是在說你要有什麼證照，也不是要你背出模型名詞。他在看的是，你能不能把 AI 當成工作工具，用它來加速思考、寫初稿、找替代方案，還能知道它哪裡會胡說八道。

我看過太多「有碰過 AI」的人，差別都在細節。有人說自己用過 ChatGPT 寫作業；另一個人會說，他先叫 AI 生三個解法，再逐條挑毛病，把錯誤假設抓出來，最後重寫 prompt。這兩種人根本不是同一個層級。前者是在消費工具，後者已經在用工具做事。

如果你是學生或剛畢業的工程師，別再把 AI 當搜尋框。它比較像一個可以幫你腦力激盪、改寫、摘要、重組內容的搭檔。重點不是「我有用過」，而是「我有把它用到能交差、能驗證、能展示」。

實操寫法很簡單：把你每次用 AI 的過程留下來。prompt 怎麼下、哪裡改過、最後產出長什麼樣子，都放進作品集或 README。這樣面試官看到的不是口號，是證據。

AI 正在變成新的試算表能力

Huang 最有意思的地方，是他把 AI 跟以前的電腦、試算表放在同一條線上看。意思很簡單：它會從「特殊技能」變成「基本工作能力」。這句聽起來很平，但我覺得很多人其實還沒消化完。因為大家都會開 Excel，不代表大家都會用公式、樞紐分析、基本建模。AI 也一樣，會開工具和會用工具，中間差很大。

我之前在團隊裡看過一堆「AI assisted」流程，最後交出來的東西很像在跟機器聊天，內容空、語氣飄、結論還很自信。那不是模型太爛，是操作者太隨便。你如果只會問「幫我想一下」，那 AI 只會回你一堆看起來很像答案的東西。

Huang 的意思不是 AI 會讓大家突然變聰明，而是會用 AI 的人，工作面會拉得更寬。寫文件、整理資訊、做初步分析、回覆客戶、拆需求，這些工作都會被拉進來。你不會用，就等於自己把速度放慢。

• 先讓 AI 幫你寫初稿，不要直接拿來當定稿。
• 叫它比較選項，順便把 tradeoff 講清楚。
• 每次都要把假設攤開，自己再驗一次。

實操寫法：選一個你真的在做的流程，做成固定套路。例如把會議紀錄轉成 action items、把 bug report 轉成重現步驟、把草稿轉成對外簡報。不要做玩具 demo，要做你明天真的會用的工作流。

他在講的不是裁員，而是任務被重組

我覺得這次訪談另一個重要點，是他沒有跟著大家一起演末日劇本。他一直在講一件事：很多人把「工作目的」跟「工作任務」混在一起。這其實是大多數 AI 焦慮的來源。你以為 AI 會把整個職位吃掉，但實際上常常只是把裡面一部分重複工作拿走。

拿放射科來說，很多人以前以為電腦視覺一成熟，放射科醫師就會消失。結果沒有。AI 幫醫師處理更多影像、服務更多病人，職業本身沒不見，只是工作內容變了。這個模型我覺得很適合拿來看工程、營運、客服、甚至 PM。

我自己看過最常見的情況，是 AI 把原本很煩的第一層工作吃掉，讓人可以把時間放在判斷、溝通、整合、驗證。這些才是人比較值錢的地方。你如果只盯著「AI 會不會取代我」，很容易看錯焦點。你真正該問的是：我工作裡哪一段最重複、最機械、最可以先交給 AI。

實操寫法：把你的工作拆成三類，重複型、判斷型、信任型。先拿重複型開刀，像是整理資料、摘要、初稿、格式轉換。只要你能把這層切掉，剩下的就比較像人在做事，而不是人在搬磚。

「每個木匠都會變成 coder」沒那麼誇張

“Every carpenter in the future will be a coder.”

這句話聽起來很像 CEO 在放話，但我把它翻成人話後，反而覺得合理。他不是說木匠要去學傳統程式語法，而是說 coding 的定義正在變。以前是你寫語法，現在更像是你把需求講清楚，AI 幫你把它變成可執行的東西。

這件事很大，因為它把自然語言變成一種工作介面。木匠可以用 AI 幫忙估價、排工期、寫客戶通知，甚至做簡單內部工具。水電師傅可以管排程和料件。會計可以做自動分析。重點不是你會不會背語法，而是你能不能把「我想要什麼」講到足夠精準，讓 AI 幫你做出有用的東西。

我已經看過一些非工程背景的人，開始先自己用 AI 做雛形，再回頭找工程師補強。這種合作方式很實際，因為他們不再只是丟一個模糊需求，而是帶著具體版本來。工程師省時間，業務也比較快拿到答案。

但這裡有個硬條件：你得真的懂問題。你如果連流程都不懂，只會亂下指令，AI 也救不了你。它不會自動補洞，只會把你的模糊放大成一個看起來很像成品的東西。

• 把 prompt 寫成迷你 spec：目標、限制、例子、輸出格式。
• 讓 AI 幫你生表單、腳本、簡單自動化。
• 最後確認輸出是不是真的能給客戶或同事直接用。

實操寫法：練習把模糊需求改寫成精準 prompt。不要寫「幫我處理專案」，要寫「幫我草擬一封延遲出貨的客戶通知，120 字內，附兩個補償方案」。這種東西 AI 才做得出像樣的結果。

真正的篩選標準，是你會不會問更好的問題

Huang 的回答表面上是在講 AI 技能，但我聽起來更像是在講思考能力。真正會用 AI 的人，不是最相信輸出的人，而是最會質疑輸出的人。這點很煩，但也很真實。因為 AI 很會生出「看起來合理」的東西，你如果沒有能力檢查，就只是把思考外包給一個很會裝懂的 autocomplete。

我在看 junior 作品時，最在意的不是他有沒有列工具，而是他有沒有做驗證。你有沒有叫它給替代方案？有沒有比較不同版本？有沒有發現它漏掉 edge case？有沒有自己補查事實？這些才是 signal。不是你會不會叫出答案，而是你會不會把答案拿來審。

如果是我在選兩個背景差不多的新鮮人，我也會偏向那個能講清楚自己怎麼用 AI 的人。不是因為他工具列表比較長，而是因為他能把問題框起來，讓 AI 幫他探索，再說明哪些留、哪些砍。這種人進來通常很快就能上手。

實操寫法：訓練自己對模型追問。你可以固定問它：「你在假設什麼？」「這個方案哪裡會壞？」「再便宜一點怎麼做？」「列出 edge cases。」重點是讓模型跟你辯論，不是讓它拍你馬屁。

新鮮人畢業前，該交出的不是口號，是證據

如果我是學生，看完這段話，我不會去背一堆 AI 名詞。我會去做能證明自己會用 AI 的東西。因為面試官真正想知道的，不是你有沒有聽過 AI，而是你能不能靠它把事情做得更快、更穩、更清楚。

做法很務實。挑一個你有興趣的領域，軟體、設計、行銷、財務、營運、研究都行。然後做三件事：先產出一個初稿，再用更好的 prompt 和人工 review 去修它，最後寫下 AI 幫了什麼、哪裡還是得你自己出手。這樣你就有一個真的能講的故事。

我也很建議學生把過程公開出來，而不是只貼結果。你怎麼從空白頁走到可交付成果，這件事比成品更能看出你能不能工作。因為工作本來就不是一次到位，而是反覆修正。

實操寫法：做一個小型作品集頁面或 README，放三個 AI 協作專案。每個專案寫清楚 prompt 模式、前後差異、你學到什麼。不要寫成作文，寫成可驗證的紀錄。

可抄的模板

# 新鮮人 AI 技能清單（可直接放履歷 / 作品集 / 面試筆記）

## 1) 我怎麼用 AI 做事
- 我想解決的問題：
- 我用的工具：
- 我叫 AI 做什麼：
- 我手動檢查了什麼：
- 我根據輸出改了哪些內容：

## 2) 我固定用的 prompt 格式
目標：
限制：
例子：
輸出格式：
品質標準：

## 3) 我能拿出來證明的 AI 專案
### 專案 A
- 任務：
- AI 用途：
- 我的驗證步驟：
- 最後結果：

### 專案 B
- 任務：
- AI 用途：
- 我的驗證步驟：
- 最後結果：

### 專案 C
- 任務：
- AI 用途：
- 我的驗證步驟：
- 最後結果：

## 4) 面試時我會怎麼講
我會用 AI 來加速初稿、比較方案、抓 edge cases，但我不會盲信輸出。我會驗證事實、比對選項，最後版本通常還是我自己收尾。

## 5) 面試官真正想看的信號
如果兩個人背景差不多，我希望你能證明你會：
- 把問題講清楚
- 用 AI 生出選項
- 檢查輸出有沒有亂掰
- 說出 tradeoff
- 更快交出可用成果

## 6) 一頁式作品集說明
### 專案名稱
一句話說明這個問題是什麼。

### AI 怎麼參與
寫清楚你讓 AI 做了哪一段，不要只寫「有用 AI」。

### 我怎麼把關
列出你驗證了哪些地方，哪裡是你自己修的。

### 我學到什麼
寫一段真話：AI 真的幫到哪裡，哪裡還是得靠你。

這段你可以直接複製去自己的筆記、履歷附錄，或作品集頁面。我會建議你把前兩段當成活文件，每次真的拿 AI 做完一件事就更新一次。不要等到找工作才臨時補。

我喜歡這個模板的原因很簡單：它逼你講清楚細節。它不問你「你會不會 AI」，它問你「你能不能靠 AI 做出更好的工作」。這才是 Huang 真正在講的事，也是現在很多公司默默在看的事。

我基於 India Today 原文 和 Lex Fridman Podcast 的公開內容做拆解；我的案例、整理方式和模板是我自己重寫的。相關參考還有 Nvidia、Lex Fridman、OpenAI。