「每個人都應該會用 AI」——Jensen Huang 這句話的真正重量
NVIDIA CEO Jensen Huang 說「AI 是每個人都應該學會使用的技術」。這句話聽起來很普通，但從他嘴裡說出來，背後藏著一個很殘酷的推論：不學的人，不是被 AI 取代，而是被學了 AI 的人取代。
目錄+
這句話太容易被忽略
「AI is an incredible technology that everybody should know how to use.」
如果這句話是某個 LinkedIn 勵志帳號說的，你會直接滑過去。但這是 Jensen Huang 說的，世界上最重要的 AI 硬體公司的 CEO。
脈絡很重要：這句話來自 2026 年 3 月 16 日的 GTC 2026 Keynote，地點是 San Jose 的 SAP Center。同一場 keynote 裡 Jensen 還宣布了 NVIDIA 向 Intel 投資 50 億美元、揭露用 Groq 授權技術（授權金約 200 億美元）打造的新 inference 專用晶片、以及「AI is a Five-Layer Cake」的完整技術棧敘事。換句話說，「每個人都應該學會用 AI」這句話不是在接受記者訪問時的隨口一句，是全球最重要的 AI 年度大會上、由全球市值最高公司之一的 CEO，在數萬名工程師、投資人、媒體面前講的結論。
問題不是他說了什麼，而是我們要不要認真對待它。
認真對待的意思是：拆解這句話。「每個人」是誰？「應該學會使用」是什麼程度的要求？「AI」又是指哪種 AI、哪種用法？
這三個詞，每一個都值得深挖。
「每個人」不是修辭
Jensen 用的是 everybody，不是 every developer，不是 every knowledge worker，不是「有技術背景的人」。
這個詞的邊界很重要。他在說的不是一個利基市場，也不是一個職業群體——他在說所有人。
但「所有人」在 2026 年的實際意義，依照身份分組，差異極大：
開發者：AI 已經是工作的一部分，不是選項。使用 Cursor、Claude Code、Copilot 的開發者，在特定類型的任務（樣板程式碼、重構、除錯）上的主觀體感可能是不用 AI 的同行的數倍——但學術研究對生產力增幅的估計從個位數百分比到數倍都有，差距很大，取決於任務類型、測量方式、使用熟練度。無論具體數字如何，這個族群的問題早就不是「要不要用」，而是「如何用好、用到架構層面」。
業主與創業者：AI 正在把過去需要整個小型團隊才能跑的工作流，壓縮成一個人加幾個 agent 就能處理的規模。問題是，不熟工具的業主，根本不知道哪些流程可以被壓縮，就算有人告訴他們，也不知道怎麼評估輸出品質。
學生：AI 改變了「學習」本身的定義。Perplexity 可以回答問題，Claude 可以解釋概念、給回饋、陪你練習。但這也意味著，從不質疑 AI 輸出的學生，學到的是一種無法驗證的知識——他們不知道自己不知道什麼。
創作者：Midjourney、Sora、ElevenLabs、Kling——工具不缺。缺的是對輸出的判斷力，以及把 AI 工具整合進創作流程而不失去自己聲音的能力。
「每個人都應該學」，但每個人面對的挑戰完全不同。Jensen 用一句話涵蓋了所有人，但這不表示應對策略是一樣的。
「學會使用」不是「會開啟 ChatGPT」
這是最容易被低估的部分。
「知道怎麼使用」在 2026 年至少包含三個層次：
第一層：工具操作能力——知道哪些工具存在、能做什麼、怎麼開始。這是入門門檻，大多數人已經跨過了，或者快要跨過了。
第二層：提示工程與情境設計——知道如何給出有效的指令，如何拆解複雜任務，如何設計 prompt 讓 AI 輸出你真正需要的東西，而不是聽起來像答案的廢話。這個層次，真正做到的人很少。
第三層：理解限制與驗證輸出——知道 AI 在什麼情況下會說錯話、會幻覺、會過度自信。知道如何設計工作流讓 AI 的錯誤可以被偵測，而不是直接流入最終產出。
Jensen 說的「know how to use」，我傾向認為他說的是全部三層，而不只是第一層。
問題是，第一層是免費的，YouTube 上一搜就有。第二層和第三層需要大量的刻意練習和真實場景的失敗經驗。大多數人自以為在第二、三層，其實還在第一層門口。
跨產業的「提升」：四個實際案例
NVIDIA 的說法是「Across industries, AI is elevating what all of us are capable of.」這句話需要具體化才有意義。
醫療：AI 輔助影像診斷已經不是新聞，但真正的改變發生在更日常的地方。家庭醫師用 AI 整理問診記錄、生成轉診摘要、快速比對藥物交互作用——這些工作過去要花掉大量時間，現在壓縮到幾分鐘。醫師的能力沒有下降，但服務的病人量可以增加。「提升」在這裡的意思是：一個醫師能做到的事，品質不變，但規模放大了。
教育：AI 讓個人化教學從理論變成了現實。老師可以用 AI 生成不同難度的練習題、針對特定學生的錯誤模式設計訂正方案、批改作文草稿並給結構性意見。這不是取代老師的工作，而是把老師從重複性批改工作裡解放出來，讓他們可以花更多時間在真正需要人類判斷的互動上。
製造：預測性維護、視覺品檢、供應鏈優化——這些 AI 應用在工廠裡已經跑了好幾年。但現在更有趣的是：工廠工程師可以用自然語言查詢設備歷史數據、讓 AI 生成異常分析報告、快速產出操作手冊的多語言版本。門檻不再是會不會寫程式，而是會不會問對問題。
創意工作：平面設計師用 AI 快速出概念稿，再手動精修；音樂製作人用 AI 生成基底旋律，再填入情感和細節；影片剪輯師用 AI 自動字幕和粗剪，再做精剪。這些人的工作沒有消失，但完成一個完整專案所需的時間大幅縮短，意味著他們可以接更多案子，或者在同樣時間內做出過去做不到的規模。
共同主題是：AI 不是自己在做事，它是讓懂得使用它的人可以做更多事。這個「更多」可以是量，也可以是品質，也可以是過去根本負擔不起的事情現在變得可負擔。
真正殘酷的推論
Jensen 的原話強調的是「提升」，是正向的框架。但如果你把同樣的邏輯反過來看，就會得到一個更尖銳的結論：
不學的人，不是被 AI 取代，而是被學了 AI 的人取代。
這兩件事聽起來相似，但意義完全不同。「被 AI 取代」是一個抽象的恐懼，有點遠，有點像科幻。「被學了 AI 的人取代」是一個非常具體的現實：是同一個職位，同樣的人力預算，但公司選了另一個人，因為那個人的產出是你的三倍。
這不需要 AGI 降臨才會發生。這件事現在就在發生，在每一個行業、每一個規模的組織裡。
Jensen 說「每個人都應該學會使用 AI」，這句話的下半句他沒說出來，但邏輯鏈是完整的：學的人能力提升，不學的人相對能力下降，即使他們本身什麼都沒變。
這是一個移動的基準線問題，不是一個技術取代問題。
「應該」的門檻在哪裡
最後回到那個問題：Jensen 說的「學會使用」，需要到什麼程度？
我的解讀是：不需要會寫程式，但需要能夠設計一個有效的工作流。不需要理解 transformer 架構，但需要知道為什麼這個輸出不對以及怎麼修正它。不需要是 AI 專家，但需要對工具的能力邊界有清醒的認識。
這個標準不高，但也絕對不是「每天用一次 ChatGPT 問天氣」的程度。
真正的入門是：找到你自己工作裡有一個重複性的、耗時的任務，嘗試用 AI 工具完整跑一遍，記錄它在哪裡失敗，然後改進你的工作流程，直到你可以信任它的輸出。這個過程本身就是學習。
Jensen 不是在替 NVIDIA 打廣告，他在說一個關於競爭力的結構性觀察。你可以選擇把它當成行銷話術跳過，也可以選擇認真問自己：我現在的工作裡，哪三件事是我還沒有嘗試用 AI 加速的？
那三件事，就是你的起點。