在 AI 時代，你真的「懂」嗎？——從達克效應談起

每個人都聽過達克效應（Dunning-Kruger Effect），但很少人停下來認真問自己：我現在在曲線的哪個位置？ 這個問題在 AI 時代變得比以往更難回答，也更重要。

達克效應的本質

達克效應描述的是一種認知偏差——能力越低的人越容易高估自己，而真正有能力的人反而傾向低估自己。

用更直白的話說：「不知道自己不知道」的人最自信，「真正懂的人」最謙虛。

心理學家 Dunning 和 Kruger 在 1999 年提出這個概念時，世界還沒有 ChatGPT，沒有 Claude，沒有任何一個能在幾秒內幫你產出「看起來專業」內容的工具。那個時代，一個人要停留在虛假的信心高峰，至少需要一點點真實的努力。

現在不一樣了。

AI 降低了「做到」的門檻，但沒有降低「真正理解」的門檻。

這個落差，正是問題的核心。

當一個初學者用 AI 產出了一段可運行的程式碼、一份看起來完整的商業計劃、或一個視覺精美的設計稿，他很容易誤以為自己已經掌握了這個領域。信心在沒有對應能力的情況下快速累積。

更危險的是，過去那個讓人跌入「絕望之谷」的機制——也就是遇到真正的困難、發現自己其實不懂——在 AI 時代被大幅削弱了。遇到問題，問 AI 就過去了。那個讓人痛苦但必要的「發現自己真的不懂」的時刻，悄悄消失了。

結果是：更多人停在那個虛假的信心高峰，而不自知。

如果達克效應的核心風險是「不知道自己不知道」，那麼破解它的第一步，就是建立一套能驗證自己是否真懂的標準。

以下幾個維度值得認真檢視：

一、能不能用自己的話解釋 不靠術語、不靠模板，能把一個概念解釋給外行人聽懂。這是費曼學習法的核心。能說清楚，才算真懂。

二、知不知道邊界在哪 真正懂的人清楚「這個我懂，那個我不確定」。假懂的人反而什麼都敢說，因為他不知道自己不知道什麼。

三、遇到變形題怎麼辦 換個情境、換個角度問同樣的問題——還能回答嗎？只背答案的人在這裡會卡住。

四、能不能預測錯誤 真正理解一個系統的人，能預感「這裡可能會出問題」，而不是出了問題才驚覺。

五、有沒有辦法重建 如果把所有參考資料拿走，你還能從頭推導出來嗎？

還有一個最簡單的自我測試：當有人問你一個你沒想過的角度，你的第一反應是什麼？ 真懂的人會覺得有趣，想繼續思考；假懂的人會感到不舒服，或繞回熟悉的答案。

「懂」不是一個狀態，而是你和這個知識之間的關係有多靈活。

讓我用一個具體的例子來說明這一切。

用 AI 開發軟體，對非工程師來說確實變得可行了。視覺層面尤其如此——因為你有直接的驗證能力，眼睛看到就知道對不對，反饋是即時的、直觀的。

但當產品的核心不在視覺，而在於資料怎麼流動、邏輯怎麼處理、系統怎麼回應不同情境，問題就出現了。

這些東西「跑起來」不代表「是對的」。一個真正的工程師看到 AI 產出的程式碼，會有直覺——「這裡怪怪的」、「這樣 scale 會有問題」、「這個 pattern 不對」。非工程師沒有這個雷達，而且不會知道自己沒有這個雷達。

這就是達克效應在 AI 時代最具體的體現：你的判斷力邊界，就是你產品品質的天花板。

這不是說非工程師不能用 AI 開發，而是要對自己誠實——我現在是在「執行」，還是真的在「理解」？兩者都有價值，但要清楚自己站在哪個位置。

知道風險存在，下一步是建立系統來對抗它。幾個實際有效的方法：

問不同的 AI 不同模型有不同的盲點和偏好。一個說合理的，另一個可能會挑戰它。但前提是你要有基本的判斷力，否則只是收集了更多「聽起來合理」的答案。

刻意扮演反對者 同一個設計，先自己想「這個會怎麼壞掉」，再去問 AI 驗證。這比直接問「這樣對嗎」更有效，因為你在主動挑戰而不是被動接受。

把 AI 的答案用自己的話複述回去 請 AI 確認你的理解對不對。這個動作會暴露你其實沒懂的地方。

讓 AI 挑戰你，而不是只讓 AI 回答你 這是核心原則。可以在你的 AI 設定裡加入一條：「在每次討論結尾，挑戰我最有把握的假設，而不是明顯的弱點。」因為我們最危險的盲點，往往藏在我們最自信的地方。

偶爾跳出自己的框架 如果你習慣從某個角色的視角思考，偶爾請 AI 扮演一個完全不同的角色來挑戰你——例如一個純粹從商業利益出發的投資人，或者一個抗拒改變的保守派。真正的阻力往往來自框架外面。

最後，我想說一件反直覺的事。

害怕自己停留在愚昧狀態，這個恐懼本身，就是你最好的保護機制。

真正停在愚昧狀態的人，不會害怕自己愚昧。

蘇格拉底說「知道自己不知道」是智慧的起點，而不是終點。保持這種警覺，同時把它轉化為驅動力而不是焦慮——持續提問、持續校正、持續挑戰自己的假設。

在 AI 時代，工具會越來越強大，能力的門檻會持續下降。但判斷力、洞察力、以及對自己盲點的誠實，這些東西 AI 無法替你建立。

那才是真正值得投資的能力。

這篇文章來自一段關於達克效應、AI 開發與自我認知的深度對話。