人工智慧的主流敘述宣揚極端專業化：找出微小的利基、成為絕對的專家、透過深入的知識將自己與機器區別開來。但這種觀點完全誤解了人工智能在人類能力演進過程中的真正作用。2025 年，隨著自動化侵蝕技術專業化的價值，出現了一個悖論：人工智能最能發揮作用的人，不是高度專注的專家，而是能夠連結不同領域的好奇通才。
通才不僅僅是累積多個領域的膚淺知識。它擁有社會學家 Kieran Healy 所謂的「合成智慧」--能夠探索看似遙遠的領域之間的聯繫，並以結構性的創造力解決新問題。而人工智能，反其道而行，擴大了這種能力，而不是取而代之。
David Epstein 在他的著作《Range: Why Generalists Triumph in a Specialised World》中區分了「善良」和「惡劣」的環境。善良的環境 - 西洋棋、放射診斷、直接語言翻譯 - 呈現清晰的模式、明確的規則和即時的回饋。這些都是人工智能最擅長的領域，也是人類專精很快就會失去價值的領域。
惡劣的環境 - 商業策略、產品創新、國際外交 - 規則含糊不清、回饋延遲或相互矛盾，需要不斷適應變化的環境。這正是通才茁壯成長的地方。正如 Epstein 所寫：「在惡性環境中，專家往往會失敗，因為他們將已知的解決方案用於他們尚未理解的問題。
2024-2025 以經驗證明了這種動態。雖然 GPT-4、Claude Sonnet 和 Gemini 主導明確的專門任務 - 代碼產生、結構化資料分析、翻譯 - 但需要在不同領域之間進行創造性合成的任務，仍然頑固地屬於人類。
.png)
古代雅典要求其公民（儘管只是少數精英）具備跨領域的技能：政治、哲學、修辭、數學、軍事戰略、藝術。這種「多面公民」的模式產生了非凡的創新--民主、戲劇、西方哲學、歐幾里得幾何--然後在日益複雜的重壓下崩潰，更簡單來說，就是伯羅奔尼撒戰爭和帝國進貢。
通才論的歷史問題在於認知的限制：一個人的大腦無法同時掌握現代醫學、工程學、經濟學、生物學、社會科學，以達到做出有意義的貢獻所需的水準。正如諾貝爾經濟學獎得主赫伯特-西蒙（Herbert Simon）所記載的，人類知識呈指數級增長，而個人的認知能力卻保持不變。
人工智能解決了這個結構性的限制。不是取代通才，而是提供認知基礎架構，讓有效的通才在現代規模上成為可能。
快速合成新領域
具有人文科學背景的產品經理可以使用 Claude 或 GPT-4 快速瞭解評估技術提案所需的機器學習基本原理，而不需要經過多年的正式專業訓練。他不會成為資料科學家，但會獲得足夠的知識來提出智慧的問題，並做出明智的決策。
案例研究：2024 年，一家新成立的生物科技公司聘請了一位擁有哲學與設計背景的執行長。他密集地使用 AI 來了解快速的分子生物學簡報，引導公司從傳統療法轉向基因組學驅動的個人化醫療的策略支點，而狹隘地專注於單一方法的專家可能會錯過這些支點。
強調跨領域連結
AI 擅長在龐大的資料集上進行模式匹配。研究人員可以向 Anthropic Claude 之類的系統詢問：「應用在經濟學中的博弈論有哪些原則可以為生物學中的免疫防禦策略提供參考？這個模型會找出相關的文獻、概念上的關聯、研究交叉點的研究人員。
文獻成果：2024 年發表於《自然》（Nature）的研究正是使用這種方法，將經濟競爭模型應用於腫瘤動態，找出新的治療策略。作者明確提到使用 AI「跨越了人工探索需要數年時間的學科障礙」。
認知例行管理
AI 將過去需要專業人員才能完成的任務自動化，而這些任務都是可以透過演算法定義的：基本財務分析、標準報告的產生、檢視合約中的共通條款、系統資料監控。
從這些活動中釋放出時間，實務人員就能專注於 Epstein 所謂的「學習轉移」- 將一個領域的原則應用於完全不同情境的問題。這是人工智能無法複製的獨特人類能力。
放大好奇心
在人工智能之前，探索一個新領域需要大量投資：閱讀入門書籍、上課、建立基本詞彙。高門檻使得人們不願意隨便探索。現在，與 AI 對話可以讓您發揮「低障礙的好奇心」- 提出天真的問題，獲得符合目前理解程度的解釋，追尋有趣的切入點，而無需付出高昂的代價。
2025 年，我們正目睹經濟學家 Tyler Cowen 所謂的「分配經濟」的出現 - 經濟價值並非來自知識的擁有（日益被人工智慧商品化），而是來自將智慧（人力+人工智慧）有效分配至高價值問題的能力。
根本性的轉變：
在這種經濟環境下，通才的廣闊視野成為一種戰略資產。Stratechery 科技分析師 Ben Thompson 指出：「稀缺性不再是資訊的取得，而是辨別哪些資訊重要，以及如何以非顯而易見的方式結合資訊的能力。
人工智能擅長在定義的參數範圍內處理資訊--「給定 X，計算 Y」。但它不會產生根本性的問題：「我們是否針對正確的問題進行最佳化？ 」「是否有完全不同的方法是我們沒有考慮到的？ 」「我們正在做哪些隱含的假設？這些都是來自於跨學科觀點的洞察力。
麻省理工學院於 2025 年 1 月發表的研究報告，分析了 18 家科技公司的 2,847 名知識工作者在採用 AI 12 個月內的情況。結果：
狹隘的專家 (-12% 認知生產力)：擁有深厚但狹隘專業知識的人看到核心任務自動化，卻沒有獲得同等價值的新職責。例如：GPT-4 取代了特定語言對的專業翻譯。
適應性通才 (+34% 感知生產力)：擁有軟性技能且學習速度快的人使用 AI 來擴大範圍。範例：擁有設計 + 工程 + 商業背景的產品經理使用 AI 為工具包加入進階資料分析，增加決策的影響力。
T」專業人士 (+41% 認知生產力)：在一個領域有深厚的專業知識 + 在其他許多領域有廣泛的專業知識。因為他們結合了專精的可信度 + 通才的多樣性，所以成果較佳。
這項研究的結論是：「人工智慧獎勵的既不是純粹的專家，也不是膚淺的通才，而是結合至少一個領域的深度與快速發展新領域功能能力的專業人士」。
重要的是，不要將通用性浪漫化。在某些領域中，深入的專業化仍然是不可取代的：
進階醫學：心血管外科醫師需要 15 年以上的專業訓練。AI 可協助診斷與規劃，但無法取代專門的程序專業知識。
基礎研究：突破性的科學發現需要長年累月地沉浸在特定的問題中。愛因斯坦發展廣義相對論，並不是透過在物理與其他領域間「概括」，而是透過對理論物理中特定悖論的執著專注。
精湛的工藝：精通樂器、精英體育、精緻藝術需要深入專門的刻意練習，而 AI 並不會顯著加速這些練習。
關鍵的區別：當專業化是基於隱性的程序技能和深入的情境判斷時，它仍然是有價值的。而基於記住事實和應用已定義的演算法的專業化（這正是人工智能最擅長的工作），則會迅速失去價值。
在人工智能時代，成功的通才有何特點？
1.系統思考：看到模式和相互關聯。瞭解一個領域的變化如何透過複雜的系統傳播。AI 提供資料，通才看到結構。
2.創意合成：將來自不同來源的想法結合成新的組合。AI 並非「發明」連結 - 而是從現有模式中外推。創造性的躍進仍然是人為的。
3.模糊性管理：在問題不明確、目標相互衝突、資訊不完整的情況下有效運作。AI 需要明確的提示；現實卻很少提供。
4.快速學習：快速獲得新領域的功能能力。不是長達十年之久的專業知識，而是在幾週而不是幾年之內就 「足以構成危險」。
5.元認知：知道自己不知道什麼。辨識何時需要深入的專業知識，何時只需要膚淺的專業知識。決定何時將工作委派給人工智能，何時需要人工判斷。
與主流說法相反，2024-2025 年最重要的一些成功來自於通才：
Sam Altman (OpenAI)：擁有電腦科學 + 創業 + 政策 + 哲學的背景。他領導 OpenAI 並不是因為他是最好的 ML 研究人員 (他不是)，而是因為他能看到純粹專家看不到的技術、商業、治理之間的聯繫。
Demis Hassabis (Google DeepMind)：神經科學 + 遊戲設計 + 人工智能研究。AlphaFold 轉型為蛋白質結構預測，起因於遊戲 AI (AlphaGo) 可應用於分子生物學的直覺。對於單一領域的專家來說，其中的關聯並不顯而易見。
Tobi Lütke (Shopify)：擁有程式設計 + 設計 + 商業 + 哲學的背景。他建立 Shopify 並不是因為他是最好的技術人員 (您可以僱用那些技術人員)，而是因為他有願景將使用者體驗、技術架構、商業模式完整地連結在一起。
共通模式：成功並非來自最高的技術專業知識，而是來自洞察關聯和協調他人專業知識的能力（人類 + 人工智能）。
歷史的類比：印刷並沒有消除人類的思想，反而擴大了人類的思想。在印刷之前，背誦經文是一種珍貴的技能--僧侶們畢生都在背誦經文。印刷將記憶商品化，解放思維進行批判性分析、綜合和新創造。
AI 對於過去需要專業化的認知技能也有同樣的作用。將定義資料的資訊處理、運算、模式匹配商品化。解放人類的思維，讓他們可以
就像印刷術並沒有讓每個人都成為傑出的作家，而是讓那些擁有原創思想的人將其放大一樣，人工智慧也沒有讓每個人都成為有價值的通才，而是讓那些擁有真正好奇心與合成思想的人，在以前不可能的規模上運作。
針對個人：
適用於組織：
專業化不會消失，反而會重新定義。未來不屬於什麼都不懂的膚淺通才，也不屬於什麼都不懂的狹隘專家。未來屬於那些結合了至少一個領域的真正能力以及快速學習和在不同學科間有效移動的能力的人。
人工智慧賦予通才更多的能力，提供工具來放大人類大腦最擅長的工作：看到非明顯的聯繫、創造性的綜合、處理模糊性、提出重新定義問題的基本問題。
正如印刷將價值從記憶轉移到批判性思考一樣，人工智能將價值從專業化轉移到協調。那些能夠茁壯成長的人，並不是那些能夠記住更多資訊或更好地執行演算法的人--機器會在這一領域獲勝。茁壯成長的是那些看得更遠、聯繫更深、適應更快的人。
2025 年，隨著人工智慧侵蝕狹隘專業知識的價值，配備人工智慧工具的好奇通才不再是過去的遺物。他代表著未來。
資料來源：
.svg)
.svg)
.svg)
