當做簡報都由AI代勞，簡報課還能教甚麼？

本文獲邀刊載於「香港01論壇」(2026.10.18)

今天，只要把一段文字交給AI，很快就能得到一份結構完整、配色得體，甚至附有講稿的簡報。過去要花上一個晚上排版、找圖、調字型的工作，現在幾乎可以交給工具處理。這讓我想到一個問題：如果「做簡報」已經可以交給機器協助完成，簡報課還在教甚麼？簡報技巧裏，哪些部分仍需要人親自學會？要回答這個問題，不妨回到一場幾乎沒有投影片，卻成為TEDx經典演講之一的演講。

資料來源：TED Talks

「黃金圈」將信念化為圖像

2009年，西蒙·斯涅克（Simon Sinek）在TEDxPuget Sound活動上演講。他沒有使用投影片，而是在畫架上畫出三個同心圓，由內而外寫上Why、How、What。這就是後來廣為人知的「黃金圈」。

他的論點很簡單：大多數機構介紹自己時，都是由外往內講，先說做甚麼，再說怎麼做，卻很少說為甚麼；而真正能打動人的機構和領袖，順序恰好相反，先說自己相信甚麼。他以Apple、萊特兄弟和馬丁路德金為例，說明人們追隨的往往不只是產品或計劃，也包括背後的信念。

TED官方介紹以黃金圈和「Why？」概括這場演講的核心，它後來成為TEDx的經典之一，憑藉的並不是精美的視覺設計，而是Sinek把抽象的信念化成一個簡單易懂的圖像，也讓聽眾開始思考：一個機構或領袖，為甚麼值得追隨？即使當年有一份精美的簡報，演講未必因此更好；沒有投影片，也沒有削弱它的感染力。

從黃金圈再思考簡報教育

借用Sinek的黃金圈，我們或許能重新思考AI時代的簡報教育。

過去的簡報課，常把不少時間花在最外層的What：版面怎麼排、圖表怎麼畫、字型怎麼選。中間一層的How，則是結構與技巧：開場怎麼抓住注意力、故事怎麼鋪陳、結尾怎麼收束。

AI首先降低了取得最外層技巧的門檻，排版、配色與圖表都不再需要從零開始摸索。接着，它也開始協助處理中間一層：給它一個主題，它可以整理出「問題、衝突、解決」的講稿架構，甚至建議在哪裏停頓、在哪裏加入故事。

但這不代表這些工作從此不必學，AI生成的版面仍可能不適合內容，講稿也可能流暢卻空泛。工具讓人更快得到一份簡報，卻不會自動保證它值得聽。

如果由外往內看，AI正在降低取得簡報技巧的門檻。於是，更重要的問題逐漸浮現：你為甚麼要講這件事？你相信甚麼？為甚麼聽眾應該在乎？

AI難以代替「現場感」

第一，是值得分享的想法。AI可以把內容整理得井井有條，也能幫忙提出不同角度，但「一份值得聽的簡報」仍需要講者判斷：甚麼問題值得討論，甚麼觀點值得提出。TED長期以「Ideas worth spreading」作為理念；重點不只在傳播技巧，也在於先有值得傳播的想法。Sinek的黃金圈之所以流傳，至少有一部份原因，是它提供了一個容易理解的新角度，而不只是因為他把圖畫得清楚。

第二，是講者與內容之間的關係。AI可以寫出第一人稱的故事，也能模擬真誠的語氣；但聽眾仍會在意，講者是否有經驗支撐自己所說的話，是否真的相信這個觀點，又是否願意為它負責。同一段話，由親身經歷過的人說出來，與由照稿念的人說出來，可能帶給聽眾不同的感受。這份「為甚麼是你來講」的正當性，不是把講稿寫得動人就能取得。

第三，是對現場的判斷與承擔。台下的眼神、笑聲或沉默，可能讓講者改變說明方式；被提問時，也可能需要補充、修正，甚至承認自己不知道。AI可以協助準備問答，卻不能替講者判斷眼前發生了甚麼，也不能代替講者承擔回答的後果。

簡報課應回到觀點教育

如果以上觀察成立，簡報教育的重心或許需要調整。與其把大量時間放在排版和套用結構，不如把更多力氣放回更根本的地方：教人形成自己的觀點，辨認證據是否足以支持觀點，並練習在他人面前清楚說明、接受提問。

對學生而言，這意味着在打開簡報軟件之前，先問自己一句：我真正想說的是甚麼？對老師而言，評分的重點也許可以從「做得漂不漂亮」，逐步轉向「問題看得清不清楚、論點站不站得住腳」。

AI讓製作簡報變得更容易，也讓一件事顯得更重要：上台的人是否知道自己為甚麼要講，並願意為所說的話負責。Sinek用一張圖說明了自己的想法；在AI時代，簡報的形式或許會愈來愈容易生成，但觀點的形成與承擔，仍需要人親自完成。

從電機到幽默社會學 大學真正該教什麼？

本文獲邀刊載於「信報教育」(2026.10.13)

資料來源：作者攝於小叮噹科學主題樂園

最近和幾位朋友聊天，話題不知怎麼從博士學位、出國進修，一路聊到科技巨擘的薪資待遇及福利。

其中一位管理學院博士朋友說，如果有機會，他也想再修讀一個跨領域學位；也有朋友開始認真盤算，是否應該再多一個資訊相關學位，甚至有人笑說：「現在有AI了！」

這種對話其實很熟悉。受過高等教育的人，很容易把「再學一種東西」理解成一種投資：這個學位可以換來什麼？能否增加薪酬？能否轉換賽道？能否進入另一個行業？

筆者本身是機械、電機背景。回頭看大學時代，課程充滿定理、數學與電路模型。那些課程固然重要，也訓練了筆者非常珍貴的能力：剖析複雜問題、找出當中的機制，再得到一個可以驗證的答案。

只是多年後，當筆者重新接觸其他學科，突然發現，世界上有另一類問題，並沒有那麼容易寫成公式。

最近筆者開始觀看台大開放式課程（NTU OCW）的「幽默社會學」。看着看着，竟然有一種很奇妙的感覺：以前在大學裏，我怎麼沒有修讀過這麼有趣的課？

這不是因為工程課程不好，而是因為筆者開始對另一類問題產生興趣。

為什麼一句話在某個場合很好笑，換一個場合卻可能完全笑不出來？為什麼有些人可以開某種玩笑，有些人卻不可以？為什麼我們會把某些行為視為「很自然」，卻很少追問它究竟是怎樣形成的？這些問題沒有標準答案，卻不代表它們比較簡單。

相反地，研究人的世界，往往比研究一個物理系統更難。工程系統的元件可以定義，參數可以測量；人卻會改變自己的行為，也會觀察別人、解讀情境，甚至因為知道自己正在被研究而改變。

這也讓筆者重新理解「通識教育」四個字。學生時代，筆者可能會把通識課視為專業課以外的調劑，學一些比較輕鬆、與未來工作沒有直接關係的東西。現在筆者反而覺得，真正重要的通識教育，可能恰恰不是教我們多一項可以寫進履歷的技能，而是讓我們暫時離開自己最熟悉的思考方式。

一個工程師習慣問：「這個系統怎樣運作？」

社會學可能會追問：「為什麼人們會形成這樣的行為模式？」

管理學會問：「組織為什麼會作出這樣的選擇？」

法律則會問：「這種行為在什麼制度下被允許、限制或規範？」

這些問題彼此並不衝突，反倒像是一層一層的鏡頭。當我們只習慣用一種鏡頭看世界，即使很擅長解決某一類問題，也可能因此錯過同一件事的其他面向。

筆者後來的學習路徑其實也是如此：從工程出發，走進產業研究，再接觸知識產權、法律與科技政策，最後開始對人與社會的互動產生興趣。回頭看，這似乎並不是離開原來的專業，而是把鏡頭慢慢拉遠。

筆者現在愈來愈相信，大學教育最珍貴的地方，可能不是讓我們在畢業時「多會一件事」，而是讓我們發現：原來世界還有很多面向，是我們過去根本沒有意識到自己看不見的。

如果一門課能做到這件事，那麼它究竟叫電機、管理，還是幽默社會學，也許反而不是最重要的事。

真正重要的是，完成大學教育之後，我們是否因此多了一種看世界的方法。

當 AI 訂閱費變成一種「香油錢」：你買的是答案，還是心安？

本文獲邀刊載於「經理人」(2026.09.15)

資料來源：作者攝於誠屋拉麵

像一場預算審查會議上，面對主管對市場預測的質疑。提案者不疾不徐打開筆電：「我已經請AI跑過3種情境模擬，這是優缺點分析。」

這句話可能代表他確實完成了更多準備，也可能為了讓在場的人稍微放心。至於AI根據哪些資料、遺漏哪些條件，分析是否經得起查證，未必有人繼續追問。

「有AI幫我把關。」於是成了一種安心的理由。

當我們談論AI訂閱，通常會比較功能、速度與使用額度。但使用者願意持續付費的理由，也可能包括一件更難說出口的事：遇到不確定時，隨時有個對象可以問；做出決策前，可以再得到一次確認。

從這個角度看，AI訂閱有時像一筆新的香油錢。花錢未必保證結果，卻讓人覺得，自己已經為未知多做了一層準備。

當然，這個比喻有其界線。宗教涉及倫理與生命意義，AI則具備實際的資料處理能力。兩者唯一相似的，是人在面對未知時，試圖透過一套程序來安頓心情。

求職者可以請AI檢查履歷，追問錄取機率；轉職者反覆權衡留下與離開的利弊；提案者則不斷追問，直到分析看起來「足夠完整」。

這些過程或許能幫助釐清問題，但如果沒有加入新資料，也沒有檢查原先假設，反覆得到回答，是否真的增加了判斷依據？

有時候，改變最多的可能是我們的感受。

輸入問題、等待生成、閱讀分析、再次追問，逐漸形成一套熟悉的程序。每完成一輪，就像又多做了一次確認。然而，「已經問了很多次」與「已經掌握足夠證據」，中間仍有一段距離。

當信心取代查證

根據2025年微軟研究院（Microsoft Research）與卡內基美隆大學（Carnegie Mellon University）的一項初步研究顯示，對生成式AI愈有信心的人，愈傾向於減少自我檢視與批判性思考。這項研究僅是問卷調查的相關性發現，不能直接推論AI會讓人失去思考能力。但它提醒我們：對工具的信任愈高，愈該問自己查核了多少。

AI的回答也不必斬釘截鐵，才會產生權威感。一份列出優點、風險與注意事項的分析，即使附帶許多條件，仍可能讓使用者覺得：「它已經替我想得很周全。」

保留條件本身是必要的審慎，更值得留意的是，使用者是否只記住支持自己選擇的部分，卻忽略那些還未被驗證的前提。當一段有條件的建議，被理解成對既定方向的背書，AI便在這次互動中取得了近似神諭的地位。

AI給了決策依據，但有人來確認品質嗎？

當我們花錢購買服務，會不自覺地增加對其建議的信任度。

更高價的方案如果提供適合任務的能力，當然可能值得購買。但從「這個方案功能更完整」，跳到「它對這件事的判斷應該更可靠」，仍然需要證據。付款證明我們取得了服務，答案是否適用，還要回到資料、推論與具體情境。

當使用者續訂的理由，逐漸從「它替我完成了哪些工作」，變成「如果沒有它，我會不會少一層保障」，AI消費就可能出現一種『安心經濟』：工具效益之外，持續獲得確認的感覺，也成了付費價值的一部分。

安心本身並沒有錯。能夠整理混亂的想法、減輕猶豫，原本就有價值。問題出在我們把情緒上的安定，當成風險已經降低的證據。

這種混淆一旦進入組織，影響可能更大。當「經過AI分析」成為送審的必要條件，卻沒有人確認品質，AI便可能被用來證明程序已完成。文件增加了，決策依據是否改善，反而不容易看清楚。

提案者覺得自己已經查核，主管覺得多了一道把關，團隊也更放心地往前走。但模型不知道的內部限制、不完整的輸入資料，以及沒有被提出的反對理由，並不會因為多了一份分析而消失。

AI分析後的 4 個必問問題

因此，個人與組織都需要更具體的使用標準。請AI分析之後，應該能說明：

1. 它補上了哪些資訊？
2. 哪些關鍵主張已查證？
3. 還有哪些假設沒有證據？
4. 如果出現什麼新情況，我們會改變決定？

訂閱是否值得，也可以用相同方式衡量：它節省了多少時間、發現哪些遺漏、改善哪些成果。這些都比「有它比較放心」更能支持續訂或升級的選擇。

AI可以幫助我們承受不確定，但使用它的程序，必須保留質疑與修正的空間。

「有AI幫我看過」之後，還應該接得上另一句話：「這是我查證過的依據，也是我願意改變判斷的條件。」

當這句話說不出來，再完整的分析、再昂貴的訂閱，都可能只是在替原本的決定，添上一筆香油錢。