AI 時代學什麼、用什麼：從 283 堂開源課程到月費 $50 的內容創作工具棧
「學 AI」和「用 AI 創作」是兩件事，但門檻都在快速降低。283 堂課的開源課程重新定義了「會 AI 工程」的意思；每月不到 $50 的四個工具讓一個人撐起多平台內容輸出。這篇把兩條路並排，讓你決定現在最需要走哪一條。
目錄+
「學 AI」和「用 AI 創作」是兩條路——一條給想系統學 AI 工程的人，一條給想用 AI 放大產能的內容創作者。但都面對同一個問題：工具太多、不知道從哪開始。這篇給兩條路各一個起點。
一、學 AI 工程：283 堂課、4 種語言、320 小時的開源課程
ai-engineering-from-scratch 是 Rohit G 在 2026 年公開的一份開源課綱：20 phases、283 堂課、估計 320 小時、Python + TypeScript + Rust + Julia 四種語言並行。同一份內容如果用 2020 年 Andrew Ng 的 Coursera ML 課做基準，份量大概是 25 倍。這個規模反差不是意外，是「會 AI」的定義被重新寫過一次的訊號。
跟 Andrew Ng / fast.ai 的三個結構性差異
2020 年的 ML 課長什麼樣，大家有共識。Andrew Ng 用 Octave / Python，從線性回歸講到神經網路，11 週讀完，所有作業都跑在 Jupyter 裡。fast.ai 是它的應用版，PyTorch + 實作優先，但結構基本一樣：教你訓練模型，最後丟一個 Kaggle 比賽。
ai-engineering-from-scratch 跟這條線有三個結構性差異，不是內容多寡，是世界觀不同。
第一，多語言不是裝飾。 Python 教 ML 沒問題，但 inference 寫在 TypeScript（Edge Functions、瀏覽器端）、底層算子寫在 Rust（vLLM、Candle、tokenizer）、研究用 Julia（科學計算）。這份課把四種語言當成必修，因為 2026 年部署一個 AI 產品不可能只會 Python。
第二，agent 不是附錄章節，是一級主題。 傳統課程把 agent 放在最後一章「進階主題」，這份課把 agents、autonomous systems、swarms 拆成獨立階段。這個排版差異承認了一件事：2026 年大部分新工程師第一個會碰的 AI 產品不是 model，是 agent。
第三，學習方式本身是 AI-native。 課程強調「learning AI with AI tools」，每一堂課產出 reusable artifact——prompt、skill、tool、agent，可以直接 install 進自己的 stack。傳統課程的產出是「我學會了」，這份課的產出是「我多了一個我可以拿來用的東西」。
20 phases 全景
整份課綱分四大區塊，從基礎到專業領域層層展開：
值得注意的是比例。傳統 ML 課裡，數學基礎佔三分之一，模型實作佔三分之一，應用佔三分之一。這份課裡，數學只佔 phase 1–3，agents + production 佔了 phase 16–19，幾乎跟數學一樣多。比例改變反映了 2026 年 AI 工程師時間分配的真實樣子——花在「把模型放進產品」的時間，已經跟「理解模型」一樣多。
不是逐章推進，是 portfolio 拼裝
320 小時逐章從頭跑到尾基本上是不可能的。如果你照 Coursera 的方式讀這份課，三個月後會卡在 phase 5 然後放棄。這不是課程的問題，是讀法不對。
正確的讀法是把它當 portfolio 模板：
- 找你目前產品線最缺的一塊 — RAG、agent、vision、speech 任選一個
- 直接跳到那個 phase 拿 artifact — 課程設計就是讓 artifact 可以獨立 install
- artifact 用上之後再回頭補基礎 — 倒序學習比正序快很多，因為動機強
這份課真正的價值不是「讀完你會 AI」，是「在你需要任何一塊 AI 能力的時候，這裡有現成可以裝的東西」。它更像 npm registry，不是教科書。
二、用 AI 創作：每月不到 $50 撐起 YouTube + Threads + Newsletter
三年前，「一個人撐起 YouTube + Threads + Newsletter 三條內容線」這句話，會被認為是 hustle culture 的胡話。
現在它是可執行的。但前提是你願意花時間挑工具——而不是看到一個 AI 新聞就試一個。
每個工具都用過 3 個月以上才寫進來，月費加起來不到 USD 50。以下是具體工作流。
工具 1：Kling — 把腳本變成影片
不想真人出鏡，但 Threads 短影片需要視覺。剪映、CapCut 的素材庫永遠不對，自己拍又沒時間——這是 2025 年中最頭痛的問題。
Kling 解決了這件事。它不是萬能，但人物一致性和運鏡控制是目前生成式影片裡最穩的。同一個角色講三段話，臉不會跑掉；要鏡頭推近、平移、繞拍，prompt 寫對了就能做到。
實作流程：
- 用 Claude 把 Threads 文案改寫成 30 秒口語腳本
- 把腳本切成 3–4 個鏡頭描述，丟進 Kling 各生成一段 5 秒短片
- 剪映合成、加字幕
過去一支短影片要 2 小時，現在 15 分鐘。比剪映手動快 10 倍是真的。
不適合誰：需要紀錄片風格、真實場景、有對話戲的內容創作者。Kling 擅長的是「概念性視覺」，不是真實感。
工具 2：ElevenLabs — 中文 AI 配音
YouTube 旁白是最不想做的事。要租錄音棚、要保持嗓音狀態、要重錄一次就崩潰。
ElevenLabs 的中文語音現在已經聽不出是 AI——這句話聽起來像業配，但你自己去 YouTube 上找一些頻道實測就知道了。重點不只是發音，是斷句和情感。它知道哪裡該停、哪裡該強調。
更關鍵的是 voice cloning：上傳 1 分鐘的錄音樣本，永久使用自己的聲音。做了一個自己的 voice 後，YouTube 旁白等於是「我說話，但 AI 替我發聲」——保留個人風格，但省掉錄製時間。
工作流：寫好稿子 → 貼進去 → 選自己的 voice → 一鍵生成 MP3 → 丟進剪輯軟體。
如果之前在用收費錄音棚（每小時 NT$ 1500–3000），ElevenLabs 月費 USD 22 一個月之內回本。
工具 3：Typeless — 通勤寫文章草稿
最好的想法都不在桌前。它們在通勤、走路、洗澡的時候出現。等回到電腦前，已經忘了一半。
Typeless 解決的不是「語音轉文字」——那 Whisper、Otter 都能做。Typeless 厲害在它把雜亂的口語整理成順暢的書面文字。
舉例：用語音講「啊那個就是說... 我覺得 AI 工具很多人選錯，主要是他們沒有先決定流程，工具就... 就買一堆然後不用」。
Typeless 出來的是：「許多人選 AI 工具時搞錯順序——他們沒有先確立工作流程，於是買了一堆工具卻無法整合，最後束之高閣。」
使用習慣：通勤 30 分鐘，講出 3 篇文章的草稿。回家修順上傳。
跟 Otter / Whisper 的差別：那兩個是逐字稿（你自己整理），Typeless 是整理過的版本（你直接修飾）。差一個層級。
工具 4：Okara — AI 行銷長
寫完一篇文章後，常常卡在「然後呢」——標題要怎麼下？X 怎麼推？發文時段？
Okara 不是另一個 ChatGPT，它定位是 AI CMO：你把 blog post 餵進去，它會建議標題替代版本、產出 X / Threads / LINE 三個版本的推文、給你發佈時機。
最有用的不是它「寫得多好」，而是它強迫你做策略性思考。它會問：這篇文章的目標讀者是誰？想要他們做什麼？這些問題自己寫的時候常常跳過。
工作流：blog post → Okara → 拿到 3–5 個社群版本 → 挑一個改順發佈。
它不會取代你，但會讓你不再面對空白螢幕發呆。
工具棧成本與決策
每月實際支出：
- Kling: USD 10
- ElevenLabs: USD 22
- Typeless: USD 12
- Okara: USD 0（免費版夠用）
合計 USD 44，差不多 NT$ 1400。
如果只能保留兩個，留 Kling + ElevenLabs——它們解決的是「沒辦法手動做」的事（影片素材、多平台旁白）。Typeless 和 Okara 是「加速」工具，沒有它們仍能做，只是慢一點。
不適合誰：流量還沒起來的時候，這些都是奢侈品。先用免費工具發 30 篇文章看反應，再決定要不要升級。
這兩條路最終會交匯——學了 AI 工程你會想做產品，做了內容創作你會想學更底層的東西。先從你現在缺的那塊開始。
利益揭露：本文部分連結為聯盟連結，點擊購買我會獲得回饋，不影響你的價格。我只推薦用過 3 個月以上的工具——上面這 4 個都是。