夜雨聆风据《2026台湾产业AI化大调查》报告，台湾企业虽已具备对AI的基础认知与导入意愿，却普遍卡在同一道关卡：找不到问题，或无法精准定义问题。若核心痛点说不清楚，再多的工具投入也难以转化为真实的商业价值。
人工智能科技基金会于四月底的报告发布会上，特别邀请政治大学国际传播学院副教授陈宜秀出席，以设计思考为框架，探讨AI时代最关键、也最常被忽视的能力，从定义问题开始。
在业界与课堂的多年观察中，他看到许多人面对AI时，往往急着讨论「怎么用AI解决金融业的问题」、「怎么用AI解决医疗业的问题」，却鲜少有人先停下来问：我们到底有什么问题？
「这就像是我们手上抓到了一把很利的刀，就开始想什么东西可以砍。」陈宜秀说，真正应该做的，是先厘清需要解决的问题，再回头思考什么样的技术能够派上用场，而不是让工具决定问题的形状。
问题定义，才是设计思考的起点
然而，定义问题并不容易。现实中的挑战往往牵涉多方利害关系人、价值冲突复杂，很难找到单一的切入点。陈宜秀在课堂上常以台湾少子化为题，要求学生提出解方。学生们起初认真搜集报告、提出各种提升出生率的方案，却忘了思考真正的问题是什么？
学生最后才发现「提高出生率」未必是真正需要解决的问题，而是在问题背后还有更根本的经济结构、老龄化与劳动力问题待厘清。问题一旦被重新定义，解法的空间便截然不同。
定义问题的重要性，在设计思考的经典「电梯问题」中看得更清楚。当乘客抱怨电梯太慢，多数人的直觉反应往往是换设备、加强马达。但真正该问的是：问题是「电梯太慢」，还是「等待的人太不耐烦」？前者指向硬件升级，后者或许只需要在电梯里装一面镜子。问题的框架不同，解法的成本与效果便天差地别。
而这正是设计思考的核心精神，也是陈宜秀一再提醒的陷阱：我们很容易用最有效率的方式，去做最没有效果的事。面对问题时，第一件事不是解题，而是先质疑题目是否问对了？
这个道理在AI时代尤为关键。当新工具、新模型以每日的速度迭代更新，真正的问题不是跟不跟得上技术，而是我们的解决方案已经远远超过我们能够定义问题的能力。我们不缺答案，缺的是能将问题转化为能应用解方的形式。
横亘在问题与解法之间的三道断层
陈宜秀指出，即便有心定义问题，实务上仍有三道断层阻碍着思考推进。一是科技与专业领域的断层，懂技术的人不懂业务，懂业务的人不懂技术，两者之间缺乏共同语言。二是复杂现象与思考结构的断层，由于现实问题往往盘根错节，让人不知从何纳入框架。三是线性思考与发散思考的断层，大多数人习惯逻辑推演的思维，因而过早收敛及锁定答案，错失更有创意的可能。
为了跨越这三道断层，陈宜秀介绍了「AI Canvas（AI画布）」这种结构化的思考工具，用固定的框架逼使思考具体落地，引导使用者在选择任何技术之前，先把问题想清楚。
让问题变得可被检视、团队一起讨论的AI Canvas
陈宜秀进一步说明，这套工具主要分为两大部分，上半部分聚焦于团队的业务愿景，因此，即使成员完全不懂AI，也能回答「想解决什么问题」、「希望AI具备的能力」、「期待看到的结果」；下半部则是需要与AI工程师共同讨论的技术层次：现有哪些数据、输入是什么、该选用什么模型，以及输出的形式为何。这样的设计，让不同背景的团队成员可以在同一张画布上对话，避免各说各话。
成员也可藉此检视问题是否有盲点，包括资料定义是否清晰？搜集的资料与实际应用是否对应？AI的使用范围是否明确？陈宜秀指出，能够看见这些问题，本身就是重要的进步。
他指出，许多资工科系学生虽然对各种模型、数据库与套件如数家珍，但对于这个技术要解决什么问题，却往往只能响应能从Kaggle抓了什么数据、套了什么模型、做了什么分析，绕了一大圈，却始终没有响应原来的问题。
在陈宜秀的课堂上，资工背景未必是优势。而他真正想帮助学生的，不是再多学一项技术，而是学会问出与技术对应的好问题。
数据从不匮乏，决定价值的是问题
学会问好问题之后，下一步是问对问题。陈宜秀指出，面对丰富的数据源无论是台湾的Open Data还是国外的数据库，真正决定能挖出多少价值的，是我们用什么样的问题去撬开它。
他观察，学生面对资料时，往往在两种问题类型间摆荡：一种是统计性的问题，也就是「什么样的情况下，什么样的人会做出什么样的事」，寻求的是规则；另一种则是AI的问题，也就是建立判断能力、对个案进行预测。两者的差异至关重要，如果答案只需要规则就能推导，根本不需要AI。因此，在动用任何工具之前，必须先判断自己面对的是哪一种问题。
这也引出了当前两种AI类型的差异，预测型AI追求的是精准性，也就是给定已知数据，对未知情境做出最佳预测。例如医疗影像判读、晶圆瑕疵检测等应用，都属于此类。这类问题需要的是确定的答案，而非多种可能性。
生成式AI则截然不同。「很多人说生成式AI有很多幻觉，这句话其实不完全对，因为它产出的东西全部都是幻觉，只是有些符合人类经验，有些我们可以接受。」陈宜秀直言，生成式AI的所有输出本质上都是机率生成的结果。因此，生成式AI适合用于需要参考想法、或需要一个人看得懂的答案的场景，而非追求精确判断的情境。
这也意味着，两者的成功条件也因此不同：预测式AI的价值取决于训练数据的质量；生成式AI则是「可以参考、不能全信」，适合作为集思广益的来源，或以更人性化的方式呈现信息。
而当前最值得关注的，正是生成式AI该如何被使用，包括人的介入、所给予的脉络，以及如何整合进既有的工作流程，将决定它AI能否真正发挥价值。
归根究柢，数据从不缺乏，工具也从不缺乏，缺乏的始终是一个好问题。在所有的AI能力之中，最难被取代的，恰恰是定义问题的能力。除了看穿问题的本质、拒绝被既有框架绑架，在「要解决的问题」与「能解决的工具」之间，找到真正对应的路径。这，才是AI时代最值得锻炼的核心素养。
文章来源：知势人工智能科技基金会《知势》副总编辑杨育青
