AI 工具越強，政大陳宜秀：越要先搞清楚問題

根據《2026台灣產業AI化大調查》報告，台灣企業雖已具備對AI的基礎認知與導入意願，卻普遍卡在同一道關卡：找不到問題，或無法精準定義問題。若核心痛點說不清楚，再多的工具投入也難以轉化為真實的商業價值。

人工智慧科技基金會於四月底的報告發佈會上，特別邀請政治大學國際傳播學院副教授陳宜秀出席，以設計思考為框架，探討AI時代最關鍵、也最常被忽視的能力，從定義問題開始。

在業界與課堂的多年觀察中，他看到許多人面對AI時，往往急著討論「怎麼用AI解決金融業的問題」、「怎麼用AI解決醫療業的問題」，卻鮮少有人先停下來問：我們到底有什麼問題？

「這就像是我們手上抓到了一把很利的刀，就開始想什麼東西可以砍。」陳宜秀說，真正應該做的，是先釐清需要解決的問題，再回頭思考什麼樣的技術能夠派上用場，而不是讓工具決定問題的形狀。

問題定義，才是設計思考的起點

然而，定義問題並不容易。現實中的挑戰往往牽涉多方利害關係人、價值衝突複雜，很難找到單一的切入點。陳宜秀在課堂上常以台灣少子化為題，要求學生提出解方。學生們起初認真蒐集報告、提出各種提升出生率的方案，卻忘了思考真正的問題是什麼？

學生最後才發現「提高出生率」未必是真正需要解決的問題，而是在問題背後還有更根本的經濟結構、老齡化與勞動力問題待釐清。問題一旦被重新定義，解法的空間便截然不同。

定義問題的重要性，在設計思考的經典「電梯問題」中看得更清楚。當乘客抱怨電梯太慢，多數人的直覺反應往往是換設備、加強馬達。但真正該問的是：問題是「電梯太慢」，還是「等待的人太不耐煩」？前者指向硬體升級，後者或許只需要在電梯裡裝一面鏡子。問題的框架不同，解法的成本與效果便天差地別。

而這正是設計思考的核心精神，也是陳宜秀一再提醒的陷阱：我們很容易用最有效率的方式，去做最沒有效果的事。面對問題時，第一件事不是解題，而是先質疑題目是否問對了？

這個道理在AI時代尤為關鍵。當新工具、新模型以每日的速度迭代更新，真正的問題不是跟不跟得上技術，而是我們的解決方案已經遠遠超過我們能夠定義問題的能力。我們不缺答案，缺的是能將問題轉化為能應用解方的形式。

橫亙在問題與解法之間的三道斷層

陳宜秀指出，即便有心定義問題，實務上仍有三道斷層阻礙著思考推進。一是科技與專業領域的斷層，懂技術的人不懂業務，懂業務的人不懂技術，兩者之間缺乏共同語言。二是複雜現象與思考結構的斷層，由於現實問題往往盤根錯節，讓人不知從何納入框架。三是線性思考與發散思考的斷層，大多數人習慣邏輯推演的思維，因而過早收斂及鎖定答案，錯失更有創意的可能。

為了跨越這三道斷層，陳宜秀介紹了「AI Canvas（AI畫布）」這種結構化的思考工具，用固定的框架逼使思考具體落地，引導使用者在選擇任何技術之前，先把問題想清楚。

讓問題變得可被檢視、團隊一起討論的AI Canvas

陳宜秀進一步說明，這套工具主要分為兩大部分，上半部分聚焦於團隊的業務願景，因此，即使成員完全不懂AI，也能回答「想解決什麼問題」、「希望AI具備的能力」、「期待看到的結果」；下半部則是需要與AI工程師共同討論的技術層次：現有哪些資料、輸入是什麼、該選用什麼模型，以及輸出的形式為何。這樣的設計，讓不同背景的團隊成員可以在同一張畫布上對話，避免各說各話。

成員也可藉此檢視問題是否有盲點，包括資料定義是否清晰？蒐集的資料與實際應用是否對應？AI的使用範圍是否明確？陳宜秀指出，能夠看見這些問題，本身就是重要的進步。

他指出，許多資工科系學生雖然對各種模型、資料庫與套件如數家珍，但對於這個技術要解決什麼問題，卻往往只能回應能從Kaggle抓了什麼資料、套了什麼模型、做了什麼分析，繞了一大圈，卻始終沒有回應原來的問題。

在陳宜秀的課堂上，資工背景未必是優勢。而他真正想幫助學生的，不是再多學一項技術，而是學會問出與技術對應的好問題。

資料從不匱乏，決定價值的是問題

學會問好問題之後，下一步是問對問題。陳宜秀指出，面對豐富的資料來源無論是台灣的Open Data還是國外的資料庫，真正決定能挖出多少價值的，是我們用什麼樣的問題去撬開它。

他觀察，學生面對資料時，往往在兩種問題類型間擺盪：一種是統計性的問題，也就是「什麼樣的情況下，什麼樣的人會做出什麼樣的事」，尋求的是規則；另一種則是AI的問題，也就是建立判斷能力、對個案進行預測。兩者的差異至關重要，如果答案只需要規則就能推導，根本不需要AI。因此，在動用任何工具之前，必須先判斷自己面對的是哪一種問題。

這也引出了當前兩種AI類型的差異，預測型AI追求的是精準性，也就是給定已知資料，對未知情境做出最佳預測。例如醫療影像判讀、晶圓瑕疵檢測等應用，都屬於此類。這類問題需要的是確定的答案，而非多種可能性。

生成式AI則截然不同。「很多人說生成式AI有很多幻覺，這句話其實不完全對，因為它產出的東西全部都是幻覺，只是有些符合人類經驗，有些我們可以接受。」陳宜秀直言，生成式AI的所有輸出本質上都是機率生成的結果。因此，生成式AI適合用於需要參考想法、或需要一個人看得懂的答案的場景，而非追求精確判斷的情境。

這也意味著，兩者的成功條件也因此不同：預測式AI的價值取決於訓練資料的品質；生成式AI則是「可以參考、不能全信」，適合作為集思廣益的來源，或以更人性化的方式呈現資訊。

而當前最值得關注的，正是生成式AI該如何被使用，包括人的介入、所給予的脈絡，以及如何整合進既有的工作流程，將決定它AI能否真正發揮價值。

歸根究柢，資料從不缺乏，工具也從不缺乏，缺乏的始終是一個好問題。在所有的AI能力之中，最難被取代的，恰恰是定義問題的能力。除了看穿問題的本質、拒絕被既有框架綁架，在「要解決的問題」與「能解決的工具」之間，找到真正對應的路徑。這，才是AI時代最值得鍛鍊的核心素養。