吳安德三問題濾鏡：AI 時代的問題選擇框架

核心概念

史丹佛 CS 教授、Google Brain 與 Baidu AI Lab 創辦人吳安德（Andrew Ng）在課堂上提出一個觀察：在 AI 時代，將茁壯的人與失速的人分開的技能，幾乎與寫程式無關。

他的論點從一個結構性轉變出發：三十年來，「優秀工程師」等於「能夠精準建造別人定義好的東西」。但在 AI 時代，每個工程師都擁有幾乎無限的執行槓桿——幾乎任何東西都可以被快速建造出來。這個改變讓挑選正確問題的能力，開始以數量級的差距勝過「執行完美但選錯問題」的能力。

瓶頸不再是寫程式的能力，而是「知道哪些問題值得在一開始就去解決」。

三問題濾鏡（Three-Question Filter）

吳安德將問題選擇框架化為三個依序追問的問題：

問題一：這個問題對真實的人真的重要嗎？

篩選標準：是否有人願意為它付費、或每天都會使用它？
常見失敗模式：學生選擇「對自己有趣但對其他人毫無意義」的專案，然後不解為什麼作品集沒有人聘用。
這個問題強迫你從「我覺得很酷」切換到「世界上有沒有人真的需要這個」。

問題二：AI 存在的情況下，這個問題現在還夠難嗎？

若一個 prompt 就能讓現成模型解決——那問題本身已不再有獨立的商業價值。
真正有趣的問題存在於一個差距地帶：「AI 單獨能做的事」與「AI 結合領域知識 + 細心系統設計 + 他人難以取得的資料後能做的事」之間的差距。
這道問題把「純 AI 就能解」的問題過濾掉，留下需要人類帶入不可複製優勢的問題。

問題三：一週內能出貨一個能用的版本嗎？

不是精緻版本。是瘋狂的、尷尬的、勉強能用的版本。
吳安德提出一個驚人的預測因子：他的學生裡，最終建出重要東西的頭號指標，不是才能，而是「願意快速出貨破版本，然後在公開場合迭代」的意願。
私下打磨六個月才給人看，幾乎永遠輸給第一週就出貨、根據真實反饋迭代的學生。

為什麼三問題的順序重要

這三個問題不是並列清單，而是一個遞進過濾器：

第一問剔除「無人在意的問題」
第二問剔除「AI 已解決的問題」
第三問剔除「想清楚才動手的人」

大多數人在第一問就失敗。跳過第三問的人最多。

關鍵要點

執行槓桿均質化：當每個人都有 AI 可以快速建造任何東西，稀缺的不再是執行力，而是判斷「建什麼值得」的能力
差距地帶是機會：值得攻克的問題，恰好是 AI 單獨無法解決、但人類帶入特定優勢後可以解決的問題——領域知識、系統設計、專屬資料
公開迭代優於私下完善：真實反饋的學習速度，遠快於自我想像的優化；出貨破版本不是失敗，是取得真實訊號的最快方法
才能不是成功預測因子：「願意快速出貨破版本」的意願，比天賦或技術水準更能預測最終成就
時間壓縮測試：「一週能出貨嗎？」是強力的認知工具，強迫你從「理想狀態下怎麼做」切換到「現實約束下什麼是最小可行版本」

實務應用

評估手上的專案：對任何進行中或考慮中的專案，依序過三問題濾鏡。若第一問回答困難，先去找真實潛在使用者訪談；若第二問無法回答，列出你能帶入的「不可複製優勢」；若第三問讓你退縮，問自己「最小能用版本是什麼？」

打磨 vs. 出貨的取捨：當你想繼續打磨，問自己：這個改善來自真實使用者反饋，還是來自自己的想像？若是後者，出貨的學習價值往往更高。

選題標準更新：品味作為競爭力提出 AI 時代稀缺的是品味；三問題濾鏡提供具體操作化的選題方法。兩者互補：品味是審美與判斷力，三問題濾鏡是把判斷力應用到問題選擇的執行工具。

延伸觀點

「選什麼建」>「能否建」是業界的共識轉向。 產品思維研究者 Supriya Kotturu 的分析指出：AI 工具讓建構成本趨近於零，同時也讓建構成本本身——曾經是強迫工程師提前釐清需求的約束——消失了。過去投入大量時間實裝，本身就逼迫你想清楚。現在這個緩衝不再存在，所以你必須在啟動前主動問自己：「在解決什麼問題？為誰解決？成功的定義是什麼？」這與吳安德三問題濾鏡的第一問高度對應。

驗證速度是可習得的競爭力。 吳安德在多個場合強調，AI 程式工具讓你可以同時建造多個原型進行篩選，失敗的成本大幅下降。主要風險已從技術難度轉移到市場接受度——而市場接受度只能用真實原型測試，無法靠推理。這讓「一週出貨」不只是心態，而是技術上更可行的選擇。

過度委外判斷的風險（Addy Osmani, Substack）： 能夠評估 AI 輸出的好壞，前提是對問題有足夠深的理解。若把問題拆解和評估都外包給 AI，當 AI 輸出「看似正確但有瑕疵的答案」時，你的判斷能力已被侵蝕。換言之：三問題濾鏡本身也是需要靠人類判斷力驅動的工具——讓 AI 幫你跑濾鏡，會讓濾鏡失效。

反向連結

以下頁面引用了本頁：