知道自己不知道，才是學習的開始：AI 做 App 如何拆穿學習錯覺

2026/8/31 · ArleeFather

我看過不少用 AI 做 App 的教學。

畫面上的過程通常很流暢：先告訴 AI 想做甚麼，再讓它建立頁面、加入功能，幾分鐘後，按鈕可以按，表格可以輸入，第一個 App 便出現在眼前。

看得多了，我自然產生一種感覺：原來做 App 已經沒有想像中困難。

這個感覺並不完全是錯的。AI 的確降低了入門門檻，也令我可以把以前只能放在腦裏的想法，變成一件可以操作的東西。我曾經用 AI 建立 MindComb，也試過在一天內做出一個符合自己工作流的番茄鐘工具。沒有 AI，我可能連開始也不敢。

可是，當我不再跟着教學，而是認真做自己的 App，另一件事才發生：

我不是突然變笨，而是第一次看見自己原來不知道多少。

資料應該怎樣組織？加入會員系統後，權限由誰管理？一項功能在本機可以使用，為甚麼部署後便出錯？AI 修改了一個檔案，其他頁面為甚麼突然失效？如果更新有問題，我能不能回到上一個可用版本？

做到這裏，我才開始明白：知道自己不知道，並不是學習的終點，而是學習真正開始的地方。

為甚麼看懂 AI 教學，仍然不等於自己會做？

看教學時，我們看見的是一條已經整理好的路。示範者知道下一步要按哪裏、要輸入甚麼，也知道哪些錯誤不需要放進影片。當每一步都能跟上，我們很容易把「我看得明白」誤認成「我已經掌握」。

這不只是 AI 教學才有的問題。一項包含六個實驗、合共 2,225 名參與者的研究發現，人們反覆觀看別人擲鏢、跳 moonwalk、玩遊戲或雜耍後，會更相信自己也掌握了相關技巧；但他們的實際表現並沒有同步改善。研究者指出，觀看讓人較容易記住要做哪些步驟，卻未必讓人知道親手做時是甚麼感覺。只要先讓參與者稍為接觸真正的任務，這種技能習得錯覺便會減弱。可參考原研究摘要：Easier Seen Than Done。

這項研究並不是研究 AI coding，因此不能直接說觀看 AI 教學一定產生相同效果。但它很能解釋我的經驗：教學讓我辨認出 prompt、頁面、database 和 deployment 等步驟，真正動手做，才讓我感受到每一個步驟之間的依賴、例外和代價。

AI 還令這個落差變得更特別。以前，不理解程式可能連第一個畫面也做不出來；現在，即使我對底層系統仍然陌生，AI 也可能先替我生成一個看起來完整的結果。作品可以跑在理解前面，信心也可能跑在能力前面。

「我以為我懂」本身就是一種學習問題

一項 2026 年的高中數學課研究，要求部分學生在筆記中不只抄下內容，還要寫出概念的意義、解題方法，以及自己仍未理解的地方。

接受這種「深度筆記」指引的學生，之後對課堂內容的理解較好。研究者發現，關鍵似乎不是他們寫下更多或更漂亮的筆記，而是較少高估自己已經明白。換句話說，筆記的重要作用可能不是保存更多內容，而是暴露理解缺口。原始研究可見 The mind, not the pen。

不過，這只是一項短期、特定數學課堂的研究，不能直接證明成年人學習做 App 也會得到相同結果，更沒有證明每個人都會經歷固定的「自信高峰—低谷—再攀升」過程。

它能支持的，是一個比較窄但重要的觀點：

如果學習活動沒有迫使我們指出自己仍然不明白的地方，我們便很容易把熟悉感當成理解。

這就是鄧寧克魯格效應嗎？

網上經常有一張曲線：初學者很快登上自信高峰，學得愈多便跌入絕望低谷，最後再慢慢攀上真正能力的高位。這張圖很適合描述感受，卻不是原始 Dunning–Kruger 研究提出的一條固定學習軌跡。

Dunning–Kruger effect 原本關注的是：表現較低的人是否較難準確評估自己的表現。後來的研究與評論對它的心理機制、統計方法和圖表解讀仍有爭論；例如有研究指出，部分常見圖形可以由量尺邊界和統計效果產生。因此，我不會用這個名稱把初學者簡化成「無知的人」，而只把它當作理解自我評估偏差的其中一個入口。

較貼近這次經驗的概念是 beginner’s bubble——初學者泡沫：完全沒有接觸一項技能的人，未必一開始便非常自信；但當他掌握少量規則、第一次取得成果，信心可能比能力上升得更快。相關研究回顧可參考 The psychology of being a beginner。

我會把之後那段信心下降、問題不斷浮現的階段，稱為「實作校準谷」。這不是心理學的正式術語，而是我對親手做 App 經驗的描述。

進入實作校準谷，不代表我正在退步

第一次遇到 deployment error 時，我會懷疑自己是否根本不適合做 App。當 database、會員系統、API 和環境設定同時出現問題，原本「AI 已經令開發變得很簡單」的想像也會開始動搖。這段經歷，我在由 Vibe Coding 到可用 App 的部署反思中亦曾經寫過。

但現在回頭看，那個低谷未必代表能力下降。更可能的情況是：我的能力其實比開始時高，只是我對問題的認識上升得更快。

最初，我只知道自己想要甚麼畫面；
做出 prototype 後，我知道功能需要資料和流程支撐；
嘗試部署後，我開始看見權限、環境、安全和維護；
處理錯誤後，我才明白「可以 demo」與「別人敢用」是兩個不同標準。

我的信心變得沒有最初那麼高，判斷卻比最初更準確。真正值得追求的也不是永遠保持自信，而是讓信心逐步接近實際能力。

用 PACE 檢查自己是否真的學會

如果 AI 可以很快提供答案，我需要的便不只是更多答案，而是一個把理解和成果重新接起來的方法。我現在可以在看完教學，或者讓 AI 完成一項功能後，做四個步驟：

1. Predict：先作預測

在按下執行或詢問 AI 前，先寫下我認為會發生甚麼、可能在哪裏失敗，以及有多少信心。例如：「這項修改應該只影響登入頁，我有七成信心不會改變現有使用者資料。」

如果我完全無法作出預測，這本身已經暴露一個需要補足的理解缺口。

2. Act：親手做一次

不要只複製教學中的相同例子。關掉影片，改變一個條件，或者在自己的專案重做。真正的學習問題不是「我能否跟着完成」，而是「離開原來的步驟後，我能否繼續處理」。

3. Check：用結果核對

功能能打開只代表正常路徑可能可用。我還要測試錯誤輸入、重複操作、權限不足、資料中斷和部署環境。把預測與實際結果放在一起，我才知道自己高估或低估了甚麼。

4. Explain：用自己的話解釋

我不需要解釋每一行 AI 生成的程式碼，但至少應該說明資料由哪裏進入、經過甚麼處理、結果存在哪裏、甚麼情況會失敗，以及失敗時怎樣回復。如果我要為產品、客戶或使用者負責，這種理解便不能完全外包。

四個步驟合起來就是 PACE：Predict → Act → Check → Explain。PACE 不是要否定 AI 帶來的速度，而是防止一次成功、順暢輸出或熟悉感被誤認為真正掌握。

不是每件事都要學到底，但要知道責任在哪裏

使用 AI 做 App，不代表每個人都必須先成為專業工程師。如果我只是做一個只供自己使用、隨時可以放棄的小工具，我可以接受較低的理解和較簡單的測試。

可是，當 App 開始保存別人的資料、收取費用、作出建議，或者成為一項服務，責任便不同。我未必要親自處理每一個技術細節，但至少需要知道哪些地方不能只靠自己的判斷，何時要查原始文件，何時要請有經驗的人覆核，以及出錯時由誰承擔後果。

這也是我現在理解的後設認知（metacognition）：不只是「思考自己的思考」，而是能較準確地知道自己掌握了甚麼、缺少甚麼，以及應該採取哪一種下一步。