我最近在回顧2023年的新聞，當時大家都在吹捧，提示工程師將會成為矽谷的下一個可領高薪的機會，甚至是文組進入科技業的最佳賽道，例如這篇：link
我當時也是看到這樣的內容才決定從金融業嘗試跨足到AI領域的，沒想到越陷越深。
回頭看 2023 年夏天，那是一個「提示工程師（Prompt Engineer）」被捧上神壇的年份。那時的我，看著 Midjourney 剛起步時那種需要極其精準、甚至帶點玄學色彩的關鍵字才能產出堪用圖片的過程，也曾一度以為：這或許就是未來，也就是一種人類利用「直覺」與「經驗」去探測模型邊界的藝術，我們透過人類的經驗累積，找到這個黑盒子的「正確打開方式」，要怎麼樣去喚醒這個大型魔術盒，才能夠得到我們需要的東西，而且variance還很大。
但站在 2026 年的今天，這個神話已經徹底破滅。
- 好的 Prompt 不是天賦，而是模型的「缺陷」
當時我們以為能寫出好的 Prompt 是一種稀缺的人才天賦，現在看來，那不過是模型訓練分佈不夠完善所導致的補償行為。我最近在重新深讀CLIP（Contrastive Language-Image Pre-training），這是一個如何將圖片和自然語言結合的黃金標準，對五年後的今天仍然有用，但一些trick卻被認為是模型的缺陷，而這些缺陷，當時的論文中就有提到，應該是透過模型架構的進化，而非prompt engineering來完成，當時的prompt engineering更像是為了優化表現的無奈之舉。
架構的早期階段，模型對語義的理解充滿了噪訊。我們之所以要寫 a photo of…、4k resolution、hyper-realistic，本質上是在幫模型做手動的「特徵校準」。我們在做的不是創作，而是在幫模型尋找它在那張扭曲的高維流形（Manifold）中，少數幾個被正確標註的座標點。
隨著算力的暴力突破與數據清洗技術的進步，模型現在已經具備了強大的語義對齊能力。當模型已經能精準理解「自然語言」時，那些刻意堆砌的「關鍵字咒語」就變得一文不值。模型變聰明了，人類的「調教經驗」就貶值了。
- 回歸本質：為什麼底層架構才是真理？
當「咒語」不再神祕，真正的護城河才顯露出來。與其鑽研「如何跟模型說話」，不如理解「模型為什麼這樣說話」。舉例來說：
- Next-token Generation： 理解自回歸模型的本質，你就會明白為什麼模型會產生幻覺，以及為什麼「CoT」能提升邏輯。
- Bi-encoder 與 Cross-encoder： 理解向量空間的對齊與交互，你才會知道為什麼有些檢索任務（RAG）永遠做不準，以及 CLIP 為什麼能實現零樣本（Zero-shot）學習。
這些底層架構的理解，才是能跨越模型迭代週期的硬知識。當你懂了底層邏輯，你就不會因為 Midjourney 出了 V7 或 Gemini 出了新版本而感到焦慮，因為你知道無論表面怎麼變，那套數學本質是一樣的。
另外，李宏毅老師的課程也很努力的去找出在現在這個光速發展的時代，哪些才是在展望數年內都非常重要的內容，並且教給大家，我覺得這樣才是職人應該要有的精神，我也很感謝他這幾年來的影片，帶給我們對LLM的正確直覺。
- 新創團隊的集體焦慮：你的功能，只是別人的「順便」
這對找工作或創業也是極大的警示。2024 年初，有無數新創團隊投入大量精力開發基於 Prompt 的應用（例如：幫你寫履歷、幫你修圖），甚至是幫你連接API分析財務資訊。結果呢？當 Claude 或 Gemini 更新一個小功能，這些新創公司往往在一天之內就被「降維打擊」。
因為你的護城河如果是蓋在別人的「不完善」之上，當別人變完善時，你也就消失了。
- 未來的「黃金組合」：底層理解 + 領域專業
那麼，在 2026 年，什麼樣的人才才是真正值錢的？ 答案是：具備底層 AI 架構理解能力，並能與深厚領域知識結合的人。
如果你懂 法律，且理解 AI 是如何透過向量空間進行判例檢索的，你就能開發出專業律師真的敢用的工具。
如果你（真正）懂 財金，且明白 Transformer 對於時間序列與結構化數據的處理侷限，你就不會盲目相信模型給出的預測。 技術護城河從來不是最尖端的、隨時會被覆蓋的「潮流知識」，而是那種底層邏輯與現實專業領域的深度耦合。這種組合，才是算力暴力無法輕易突破的護城河。