嗨，我是林威宇 👋

生活裡，有一些奇怪的矛盾。 衣櫃裡最昂貴的衣服，總是被比較珍惜收好。也因為珍惜，它們反而很少被穿。日常裡最常出現的，往往是比較便宜、沒那麼在意的衣服。越想保存的，越被封存。 書櫃也是。那些「我最想讀」的書，總被留到「以後」再看。反而是那些「考慮要不要丟掉」的書，因為在決定去留之前，總要翻一翻判斷它們值不值得留下，所以更常被打開。 心理學研究有一些解釋。 Loewenstein 認為，我們不只在消費的當下感到快樂，等待的過程本身也能帶來效用。於是，好事常常被延後，因為我們其實在享受期待（anticipatory utility）。 Shu 與 Sharif 的研究則發現，人們會把「特別的東西」留給「特別的場合」。⁣但場合越等越少，東西反而更難使用。 Rifkin 與 Berger 研究指出，當我們多次錯過或傾向不使用，它們在心裡就會變得更「特別」，進一步降低下一次使用的意願。⁣越不使用 → 越覺得珍貴 → 下次更難使用，這也是所謂的「特別感螺旋」（specialness spiral）。 於是，對那些被標示「特別」、我們喜歡的東西，往往也成了最少被使用的東西。

過去幾週，我訪談了超過三十位投資人，其中大部分是散戶，也有一些來自專業投資機構，包括 buy side 和 sell side。這些訪談顯示，法人與散戶的資訊落差，正在快速縮小。 散戶的資料量，甚至比法人更完整 券商報告、memo、外資報告已經成為所有投資人都能取得的標配。在各種群組（Line、Telegram、Discord）中，每天都有大量報告、memo、小作文流通，許多群組會建立資料庫來存放檔案。大家也都有不只一個群組。 有些群組已經有「AI 化的流水線」。有人負責上傳報告、有人歸檔，接著由 AI 自動生成摘要和萃取重要資訊。 散戶在報告的整理效率，甚至超越了法人。 相對地，不少法人並沒有系統性的 memo 資料庫，只能依賴近期拿到的 memo，如果要找一陣子之前的，往往找不到或要再跟別人詢問。唯一的差別大概是，法人能在法說會結束後一兩個小時就拿到 memo，散戶通常要等幾小時，甚至到隔天。這或許是現階段最後殘存的時間差。 AI 使用率：散戶全面領先 根據訪談，大部分投資人花在與 AI 對話、請 AI 摘要或分析的時間，佔了全部投資時間的 40%–70%，幾乎所有人都超過 50%。 在工具採用上，年輕法人與散戶使用 ChatGPT、Gemini、NotebookLM 等 AI 工具的比率接近。聽說四十歲以上的法人對 AI 仍有排斥心理，不過這點沒有太多資訊。 但在 AI 問答以外，散戶走得更快。很多群組已經打造自動化工具：自動整理每篇報告的摘要、整合不同來源內容，自動分析各投資 podcast 內容。相較之下，法人缺乏時間與資源去建立這類系統，也可能是因為市面上還沒有專門為法人設計的產品。 真正的差別：準確性、驗證與模型 當資訊落差幾乎消失後，法人與散戶的差別主要剩下三點： 資料的即時性與正確性 散戶遇到新公司或新產業，會直接問 AI：「這產業做什麼？主要公司是誰？競爭優勢在哪？」答案就算有點落後，他們也能接受。法人雖然遇到不熟的產業也會這樣做，但會更嚴格比對資料正確性和即時性。例如上傳年報或法說會簡報到 NotebookLM 問，或是問完再自己找資料驗證。 交叉驗證的習慣 法人不會只看 AI 或報告，還會再找前輩或同業 double check；散戶則多半直接依資訊行動。 最終目標不同 法人看完資料後，目的是建模型、調參數、產出預估損益表和目標價。散戶則不同，他們通常把資料當成背景，最後憑感性與直覺，依題材熱度或技術面來決定進出。 綜合來看，散戶與法人的差距已經不是「有沒有資訊」，而是「如何使用資訊」。今天的散戶，甚至已經成為資訊整理效率上的領先者。 散戶強調速度、廣度與便利性，在 AI 工具的導入也走得比較快；法人則更在意準確、即時，以及產出自己可以交出去的報告。 在 AI 的協助下，很多散戶看的 memo 和報告數量已經不輸法人了。這真的蠻驚人的，而且以時間來看，這樣的改變才剛開始而已。

曾有人問家族治療大師米紐慶（Salvador Minuchin）：「你做家庭治療超過五十年，如果用一個詞來總結，最重要的原則是什麼？」 米紐慶說：「困惑（confusion）。」「所有來尋求治療的家庭，都被困在一個狀態裡面，一個問題的狀態。要先鬆動這個狀態，改變才有可能發生。⁣」 剛聽到這句話時，其實不太理解他是什麼意思，但它聽起來很酷，我就先記下來了。 上週我去中正紀念堂看威廉透納的展覽。透納被視為印象派的先驅，作品從早期寫實逐漸推進到幾乎抽象的光影。我發現自己看最久的，就是那些看起來「不清楚」的地方，遠看是人，近看只是幾塊疊加的色塊，退後一步，那些模糊又重新聚成鮮明的身影。 展場尾聲，策展把透納與羅斯科的話擺在一起，旁邊放一句透納的話：「模糊是我的強項。」我忽然更能領悟米紐慶的話。模糊與困惑，正是各種可能性的入口。 回來後，我又翻了米紐慶的書。他寫：「確定性是改變的大敵。案主越是堅信自己對問題的確定性，便越難嘗試以不同的角度看事情，也就比較不可能改變互動的方式。⁣」 或許，困惑就像畫布上的模糊色塊，正因為它不清楚，才讓新的可能浮現。比起告訴自己「不要焦慮、不要拖延」，第一步反而是先創造一點困惑，先鬆動原本僵住的狀態。 這種「製造不穩定」的做法，在心理治療裡很常見。例如在艾瑞克森催眠裡，有一種做法是請個案把困擾的感受刻意放大，撐幾秒，再放鬆，讓原本僵固的狀態有機會鬆開。 困惑的目的是讓自己不要陷在焦慮狀態，讓「我很焦慮、我在拖延」這個認知被鬆動。 這邊能做的技巧蠻多的，以我目前學的東西，大概就有幾種： 強度。「刻意讓自己加強焦慮反應，停留幾秒再回到原狀，然後試試看能不能到減輕一點焦慮反應」。 喚起好奇。好奇自己想要先做兩分鐘，還是待會再做兩分鐘；好奇自己會先做 A 還是先做 B；好奇如果都不做很怎麼樣；好奇十年後的自己如何看待現在的狀況。 各種解離。例如告訴自己「頭腦感到焦慮，但身體已經知道怎麼做了」；「意識感到焦慮，潛意識卻感到放鬆」；正念或 IFS 我也會把他們歸類在解離的方法。 魔術師 Dani DaOrtiz 的表演裡也有相同的邏輯，他刻意在觀眾心裡製造混亂感，就在那個瞬間引導注意力。物理治療的 PNF 技術也是，透過張力與放鬆的循環，讓身體「忘記」舊的習慣動作模式。 不同的領域，做的是同一件事。先動搖本來的自動模式，改變才有辦法進來。

在 Threads 看到有人說：「研究發現，AI 用得越頻繁的人，批判性思考分數反而越低。」 這句話不對。 微軟和 CMU 的研究《The Impact of Generative AI on Critical Thinking》 找了一群每週至少使用一次 AI 協助工作的知識工作者，寄問卷詢問他們「用 AI 做什麼工作」、「這個工作有沒有做批判性思考」、「批判性思考的努力程度 1–5 分打幾分」等問題。 結果發現： 用 AI 協助工作的人，心智工作改變了。從資料蒐集，變成資料查核；從自己解題，變成整合 AI 回答；從親自執行，變成監督把關。 越信任 AI 的人，在這個工作上越不做批判性思考。 換成真人來做比喻：身為老闆，你越信任某位員工，越不會仔細檢查這個員工做事情的細節。 這不就廢話。 這跟一個人的批判性思考能力沒有關係。我信任 AI 這件事可以做好，不代表我相信它別件事也可以做好，更不代表在其他事情上就不做批判性思考。研究完全沒有這樣說。 另外有趣的是，對自己越有自信的人，對 AI 的產出也越會有批判性思考。

Charles Duhigg 是我最早接觸的習慣養成作者。他的《為什麼我們這樣生活，那樣工作》，在《原子習慣》還沒爆紅的時候，就是這個領域的必讀書籍。最近，他上了 Peter Attia 的 podcast，節目中他說：「要養成一個習慣，第一步也是最重要的一步，就是意識到：我必須獎勵自己。」 今年初，我參加了 BJ Fogg 的 Tiny Habits Program。BJ Fogg 是史丹佛的行為科學家，也是這個領域的代表人物。參與期間，每人都有一個助教，每天確認進度，討論困難。 第一週，我和助教的討論幾乎都聚焦在「獎勵」上。 我該怎麼設計獎勵？怎麼記得給自己獎勵？怎麼讓獎勵把行為從外在驅動轉為內在驅動？ 助教問：「當你有值得慶祝的事，當下反應是什麼？」 我愣了一下，沒想過這問題，「吃大餐？」 「當下呢？當下怎麼慶祝？」 例如求學時期，看到考試成績很好，忍不住歡呼一聲；或是完成重大專案，為自己拍手喝采。獎勵不是越大越好，而是越快越好。習慣的起點，是這樣一個小小的快樂瞬間。 Charles Duhigg 說：「你需要創造時間、空間、資源來提供獎勵，並讓自己好好享受獎勵。⁣」

Web 1.0 到 Web 2.0，從只能看、不能動的 Yahoo 靜態網頁，到每個人都能發文、留言的 Meta、YouTube 社群時代。不同的技術，誕生了不同的網路巨頭。 Web 3.0 之前被區塊鏈拿去用，認為下一代網路是去中心化的網路。我一直蠻懷疑，去中心化有搞頭嗎？在一些利基市場、資訊不對稱的地方可能是，我也有聽到一些 B2B 的成功案例。但對大眾消費者，我不認為去中心化是好解法，相反的，中心化才是大家在追求的。關於這個想法，蔦屋創辦人增田宗昭《知的資本論》可以提供不少靈感。四年前我寫過一個評論：web3 可能在道德上合理，但在商業上不合理，我不覺得有多少人願意為了這個多付很多錢。 在寫上一篇文 AI First 閱讀時代來了，產品該怎麼跟上？ 的時候，我有種感覺，真正改變下一代網路的是 AI。 Web 1.0 是只當一個讀者，Web 2.0 是讀者跟創作者互動，Web 3.0 是讀者、創作者、AI 一起互動。AI 幫你找重點、補充資訊、帶你推進。AI 正在改變讀者怎麼使用網頁、怎麼理解內容。 這也是 20 年前另一派 Web 3.0 的觀點：整個網路就是一個資料庫，電腦不只傳遞資訊，也理解這個資訊，並進一步幫使用者整理和推薦，成為我們的第二個大腦。NotebookLM、Dia 都在證明這種可行性。 Web 1.0 到 2.0 改變了很多，從誰成為科技巨頭，到我們使用網路的方式、網頁的資訊架構、UIUX。我覺得 AI 對網路造成的改變的不會比較少。

最近做了一些訪談，有一個趨勢讓我有點震驚：越來越多使用者是 AI First⁣。無論是文章、報告，甚至是 YouTube 影片，他們看到一個有興趣的標題時，第一反應不是點進去看，而是直接丟進 AI。先看 AI 摘要，再決定要不要看原文。 這種行為改變了資訊消化流程。過去寫內容，我們會強調開頭要有吸引力、內容要逐步建立讀者興趣；但現在，這些努力可能在第一步就被跳過。 使用者的行為變了，那產品呢？真的有改變嗎？ 除了少數本來就 AI-native 的產品，大部分的網站、平台，其實都還在維持「傳統閱讀 → 主動搜尋 → 被動吸收」的使用邏輯。AI 變成一個額外的工具，但沒有真的進入閱讀體驗的核心。 舊的典範正在瓦解，新的典範尚未成勢。 這篇文章，我想整理一下這些 AI First 的使用方法，以及身為產品經理、設計者遇到的困難。主要有三個部分： 使用者怎麼用 AI 閱讀？ 產品設計師要不要把這些功能做進產品裡？ 如果要做，我們到底是在解決用戶什麼「用途」？ 讀者的第一步：用 AI 來判斷這篇值不值得看 現在的使用者，看到文章或影片時，第一步不是點進去，而是給 AI 摘要。所以不管這個影片或文章開頭寫多好，都不重要。在這一步，這些人根本不看內文，點都不點，第一步就是 AI 摘要。 這時候讀者只想知道： 這篇大概在講什麼？ 是不是我有興趣的東西？ 值不值得我花時間？ 然後接下來會出現三種狀況： 1. 不值得讀，直接跳過 看完 AI 給的摘要，覺得沒什麼內容或跟我無關，跳過不看。 2. 值得，但摘要就夠了 有時候 AI 的摘要講得很清楚，對我來說夠用了。我就不會再進去看全文。重點吸收完就可以離開。 3. 值得，而且想看得更細 這時候 AI 的摘要反而會幫助我進入內容，因為我先知道它在講什麼、重點有哪些，讀原文的時候就比較知道怎麼抓邏輯、怎麼深入理解。 讀者的第二步：用 AI 問答來吸收資訊 看完摘要之後，有些人會直接進入原文閱讀，但也有很多人會進到第二階段——問 AI 問題。 這邊的行為模式也有個有趣的地方：真正自己打問題的人很少，大多是點 AI 提供的建議問題。像 NotebookLM、Perplexity、財報狗 AI 這類產品，都會預設提供延伸問題，實際上，用戶真的主要也是點那些建議問題，不是自己發問。我去年在 WebConf 分享過財報狗的數據，80% 的 AI 問答是來自預設與延伸問題，只有 20% 是自己輸入的問題。 ...

Marily Nika 在《Building AI-Powered Products》中提出了 AI PM 所需的四大面向技能。前三個是傳統 PM 本來就需要的能力，最後一個則是在生成式 AI 出現後，才變得不可或缺的新需求。 整體來說蠻完整的，無論是傳統 PM 還是 AI PM，都可以拿來當作檢查清單對照看看。 1. 核心產品管理技巧 辨識使用者族群、角色、痛點與使用情境 發想創新解決方案 評估取捨與優先順序（如 RICE 框架） 擬定策略與產品路線圖 分析性思維／預估框架（自上而下、自下而上） 設定目標、衡量成功指標（KPIs、North Star） 2. 產品經理的工程基礎知識 軟體開發方法論（瀑布流、敏捷式） 日常程式碼與協作工具的應用：版本控制、建置流程、測試、資源管理（如 Aha!、Trello、Jira、Productboard） 技術核心概念：API、演算法、系統架構、整合、AI 技術債 AI infra：雲端平台（AWS、Google Cloud、Azure 等）、本地 AI 或非雲端環境的部署考量 3. 基本領導與協作能力 實驗導向思維 創造力 與利害關係人對齊 溝通與領導力 分析與執行力 故事敘述能力 同理心 4. AI 生命週期與營運 理解 AI 與生成式 AI 的獨特能力 Prompt Engineering 與優化 模型訓練（MLOps、監控、迭代） 瞭解不同 LLM 能力／微調（fine-tuning）與產品化考量 資料品質管理（human-in-the-loop） 把關演算法品質（評估、對抗性測試、穩定性） 將新技術趨勢以符合倫理與合規的方式導入（例如多模態 AI、代理型 AI）

過去半年我有個閱讀模式，就是同時讀產品設計和心理治療的書。 也不是刻意這樣搭配，我平常就會同時讀好幾本書。剛好這段時間，產品設計跟心理治療兩個領域蠻常湊在一起。結果意外有幫助。看一個領域，往往幫助我更理解另一個領域的內容。 舉例來說，今年初為了做訪談，我重看了幾本用途理論 (Jobs-To-Be-Done) 的書。同時，我也在讀一本 Clean Language 的書。Clean Language 是一種用在心理治療和教練的技術。它的概念是我們講話會使用大量的「隱喻」，這些隱喻對每個人有不同意義，每個人在講話的時候，都在用自己的隱喻表達內在經驗。而這套方法的核心，就是讓提問者在不帶入自己的預設，搞清楚對方用的隱喻到底是指什麼。 後來我把這些概念用在用戶訪談，發現可以更了解對方的意思。比方說，有人希望「對自己的決策有自信」，那個「自信」是什麼，不同人意思可能完全不同。對 A 是數據支持，對 B 是有他人背書。Clean Language 讓我更理解抽象的概念，這讓我在訪談時，更容易貼近用戶的經驗，而不是自己腦補。 這週又出現了同樣的閱讀模式。我一邊看一本行為設計的書，另一邊在讀 ACT（接納與承諾療法）的書。 ACT 帶我們探索：「一個人為什麼會選擇 A 而不是 B？他們想要過怎麼樣的生活和遵循什麼樣的價值觀？」而治療的過程就是慢慢協助個案釐清，他重視的價值是什麼，然後再看生活每一個選擇點上，如何選擇更貼近價值觀的行動。 這跟行為科學蠻像的。做產品的時候，我們也是在問：「用戶為什麼做這個選擇，而不是另一個？」只是我們關注的不是價值觀，而是他的目標、動機、習慣、正在跟什麼東西拉扯。我們可以怎麼設計產品，讓希望用戶做的事，剛好就是能幫他們達成目標的那件事。 這種跨領域閱讀我覺得蠻有趣的，像是用不同角度看人，瞭解人到底是怎麼做選擇。只是不同領域會用不同語言，然後用該領域的框架來解釋和應用。

2600 年前，蘇格拉底擔心書寫會削弱人的智慧。他說：「相信書寫文字益處良多的人，必定是頭腦太過簡單⋯⋯如果人們學習書寫，會將健忘植入他們的靈魂。他們會依賴寫下的東西，不再運用自身記憶力。」 500 多年前，印刷術發明。Hieronimo Squarciafico 說，書籍的唾手可得會導致知識的懶惰，使人們缺乏學習精神，智力也隨之衰退。 錄音機發明時，作曲家 John Philip Sousa 說，錄音機將導致人類失去對藝術本身的能力、感受和欣賞。聲帶會在演化過程中消失，就像人類從猿進化而來時尾巴消失一樣。 電視發明時，Ray Douglas Bradbury 寫了一本書，擔心電視把人變成白痴，只提供瑣碎資訊而非深度知識。 Google 興起時，很多人說 Google 讓人變笨。哥倫比亞大學發表一篇研究，顯示網路興起後，人們更容易記得「哪裡查得到資訊」，而非資訊本身。 每一個新工具的發明，都可以找到對人類「能力退化」的擔心。但我們的文明和創造力，有止步不前甚至衰退嗎？ 我贊同現在有很多不經大腦思考、複製貼上 AI 產出的文章。但看這些人過去的貼文，多半也沒什麼思考。不思考的人就是不思考，不是工具讓他們不思考。工具就只是工具，怎麼樣的人就會怎麼用。 與其擔心 AI 讓別人變笨，不如好好研究怎麼用 AI 提升自己的創造力。