從一則美國資安學徒制法案的貼文說起
前幾天在 Facebook 上看到「美國高教 Info Tech 阿伯」分享了一篇文章，講的是美國國會正在推動的《Cyber Ready Workforce Act》（資訊安全人才儲備法案）。簡單說就是：美國資安職缺常態性維持在 50 萬個左右，勞工統計局預測這個領域未來十年還會成長 29%，但大學的培訓速度完全跟不上。所以國會提案要用聯邦資源建立「註冊式資安學徒制」——不是發錢給學生去上課，而是補助企業和中介機構，讓學徒直接在資深工程師帶領下邊做邊學、邊拿薪水邊考證照。
讓我停下來想的不是法案本身，而是一個時間點：這個法案最早是 2018 年提出的。2019 年再提、2022 年再提、2026 年又提。每次都沒通過，每次重提的時候缺口都更大。
2018 年，GPT-2 都還沒發表。
也就是說，人才荒不是 AI 造成的。AI 的出現只是在一個已經失衡的系統上再踩一腳油門。
15 年前我就看到的事
這篇貼文讓我想到一件我很早就注意到、但一直沒有系統性地寫出來的事。
大概 15 年前，我開始進入大專院校做業師協同教學。進去之後很快就發現一個現象：學校老師教的專業內容，基本上是他在進入學校之前學的東西。
這對大部分科目來說不是問題。教微積分的老師，微積分不會每三年改版一次。教歷史的老師，鴉片戰爭不會突然變成另一種打法。但對資訊領域來說，這是致命的。
一個資訊領域的從業者，從他離開產業、進入學校體系的那一天起，他的實戰經驗就開始折舊了。不是因為他不夠聰明或不夠認真，而是因為這個領域的知識半衰期太短。在業界的時候，你每天都被真實的問題逼著更新——新的框架、新的攻擊手法、新的架構需求、新的踩坑經驗。進了學校之後，這個強制更新的迴路就斷了。你可以自學、可以讀論文、可以跑研討會，但那跟每天在第一線被問題追著跑是完全不同的學習密度。
所以當我站在教室裡，旁邊坐著的是一位已經在學校教了七八年的老師，我常常面對一個尷尬的局面：我教的東西跟他教的東西之間，隔了好幾個世代的技術演化。不是他的錯，是結構的問題。
而學生在這個結構裡被訓練出來之後，進到業界，企業再花半年一年重新訓練一次。大家都知道這個循環，但沒有人覺得可以改變它。
AI 不是病因，是催化劑
那為什麼現在突然所有人都在談這件事？
因為 AI 同時做了兩件事，把原本慢性的失衡變成了急性的。
第一，AI 讓資深工程師的生產力暴增。微軟 Azure CTO Mark Russinovich 在 ACM 期刊上發表的文章提到，他們內部的 Project Societas 專案裡，七個兼職工程師用 AI 在十週內產出了 11 萬行程式碼，其中 98% 是 AI 生成的。這代表以前需要幾十人做的事，現在資深的人加上 AI 就能搞定。企業會問一個很自然的問題：那我為什麼還要請那麼多人？
第二，AI 讓初階工程師的學習路徑被短路了。以前你從 bug fix 做起、從讀別人的 code 開始，在過程中慢慢長出對系統的理解。現在 AI 直接幫你跳過這些步驟——它給你一個看起來會動的答案，你拿去交差，但你的判斷力還沒長出來。Russinovich 在論文裡用了兩個很精準的詞：對資深的人，AI 是 boost（加速器）；對初階的人，AI 是 drag（拖累）。不是因為 AI 讓他們更笨，而是因為 AI 的產出看起來太像「對的」了，沒有足夠底層知識的人分不出來哪裡有問題。
所以把時間線拉開來看，至少有三層東西疊在一起：
教育體系和產業需求的脫節——這個早就在了，15 年前我進校園的時候就已經很明顯。大學用四年制學位的節奏在培養人，產業用「我昨天就需要你」的節奏在找人。
傳統人才金字塔的經濟邏輯開始鬆動——AI 之前就有跡象了。外包、低代碼平台、雲端服務的成熟，都在壓縮「初階工程師能做但資深工程師不值得做」的空間。只是壓縮速度比較慢，組織還撐得住。
AI 把前兩層同時引爆——資深的槓桿更大、初階的立足點更小、中間的斷層撕裂開來。而且速度快到來不及用傳統方式補。
美國那個法案提了四次都沒通過，代表即使所有人都知道問題在那裡，制度的慣性還是很大。大學不想讓出學位的壟斷，企業不想花資源帶新人，政府的補助機制還在用舊框架。
不只是美國，不只是資安
有意思的是，在我最近密集閱讀的幾個完全不同來源裡，「學徒制回歸」這個主題不斷地冒出來。
Dan Koe（一人公司經營者）從市場邏輯推導出結論：靜態線上課程的時代結束了，未來的教育產品是 AI 教練加上師徒式的學習體驗。Naval Ravikant（AngelList 創辦人）從技術哲學解釋原因：所有抽象都會漏，能在抽象層出問題時補上去的判斷力，只能在真實問題裡練出來，課程教不會。Russinovich 從微軟內部數據提出警告：如果只追求短期效率、只請資深的，人才管線會斷裂，他提出了 preceptor program（導師制度）作為解法。
然後美國國會用立法的方式，直接把學徒制變成國家級的人才培育基礎建設。
一個創業者、一個投資人、一個微軟 CTO、加上美國國會——從完全不同的角度，指向同一個方向。而且他們之間並沒有在互相引用。這不是一個圈子裡的回音，是不同系統各自碰到了同一面牆。
那可以怎麼做
我不打算寫那種「五大策略改變未來」的條列式建議。老實說，面對這種結構性的問題，沒有人手上有完整的解法。但站在一個同時做技術和教學 25 年的人的位置上，有些東西是自然長出來的想法。
讓業師從「補丁」變成「結構」。
現在的業師協同教學，本質上是學校知道自己有缺口，所以找業界的人來客串幾堂課。但客串就是客串——你一學期去幾次，帶幾個主題，然後離開。學生得到的是片段的業界觀點，不是系統性的實戰訓練。
如果把業師的角色翻過來呢？業師不是來「分享經驗」的配角，而是帶學員在真實或擬真的專案裡做事的主角。學校老師退到他真正不會過期的位置——教基礎原理、教學習方法、教怎麼思考。專業技術的實戰面，交給還在第一線的人。兩者分工，不是讓學校老師一個人什麼都扛。
在訓練裡加入「AI 判斷力」的環節。
不是教學員怎麼用 AI——這個他們自己會，甚至可能比老師還熟。而是設計情境讓他們體驗「AI 給了一個看起來對但其實有問題的答案」的落差。
Russinovich 論文裡的 競態條件（race condition）案例是最好的模板：AI 用一個 sleep 來「修」一個同步 bug，測試通過了，但底層問題還在。初階開發者可能覺得修好了，只有懂同步機制的人才看得出這是在埋地雷。這種情境可以被設計成教學環節——先讓學員用 AI 解題，然後帶他們拆解 AI 的產出，看哪裡藏著地雷。學員會記得很深，因為他們是自己踩到坑的。
降低「還在業界的人參與教學」的門檻。
你講的那個結構性問題——老師進了學校就開始落後——最根本的解法是讓更多「還在業界的人」參與教學。但不能要求他們離開業界、進入學校體系。那等於是逼他們放棄自己最有價值的東西（當下的實戰經驗）才能來教。
更合理的方式可能是：專案制的帶教、非同步的 程式碼審查（code review）和 陪練（mentoring）、甚至是把業界的真實問題（脫敏之後）直接變成教學素材。讓業界的人用最小的時間成本參與，而不是要他們做出「離開業界 or 不教」的二選一。
從小規模開始驗證。
美國那個法案提了四次都沒過，不是因為學徒制不好，是因為大規模的制度改革需要太多人同時讓步。大學要讓出學位的壟斷、企業要願意承擔帶新人的短期成本、政府要調整補助框架。每一個都是硬仗。
但如果你是在職訓體系裡做事的人，你不需要等法案通過。你的課堂就是你的實驗場。你可以在下一期裡加一個「AI 判斷力」的環節，看學員的反應。你可以試著用 3-5 人的小組帶教模式，看跟傳統講課有什麼差別。做出成果、累積數據，等到制度追上來的時候，你已經有一套經過驗證的做法了。
最後一個想法
阿伯那篇貼文裡有一段我覺得寫得特別到位。他說：台灣的產學合作，參與者的第一身分是「學生」；美國的學徒制法案，參與者的第一身分是「學徒」——也就是被企業錄取的準員工。前者的目標是學位，後者的目標是即戰力。
這個區分聽起來很小，但它決定了整個系統的重心在哪裡。當你的第一身分是學生，所有的實作都是為了換學分。當你的第一身分是學徒，所有的學習都是為了能上場。
我做了 25 年的技術教學，站過大學講台、站過職訓教室、也站過企業內訓的會議室。我的經驗告訴我，學得最快的人，永遠是那些知道自己明天就要上場的人。不是因為壓力大所以學得快，而是因為他們的學習有一個真實的、立即的目的地。
學徒制不是什麼新發明。它是人類傳遞技藝最古老的方式。只是工業化教育用了一百多年讓我們忘記了它。現在，AI 正在用它的方式提醒我們：有些東西，只能從一個正在做的人身上學會。 不是從課本上，不是從影片裡，也不是從 AI 的輸出裡。
延伸閱讀：
美國高教 Info Tech 阿伯 — 資安人才荒與 Cyber Ready Workforce Act 分析 https://www.facebook.com/share/18oJacmdSf
GovTech — Federal Bill Proposes Grant Program to Train Cyber Workforce https://www.govtech.com/education/higher-ed/federal-bill-proposes-grant-program-to-train-cyber-workforce
Mark Russinovich & Scott Hanselman《Redefining the Software Engineering Profession for AI》Communications of the ACM https://dl.acm.org/doi/pdf/10.1145/3779312
Dan Koe《How I’d build a one-person business (if I started over in 2026)》 https://youtu.be/VyR8nqD3sQ8
Naval Ravikant《A Motorcycle for the Mind — On AI and the Future of Work》 https://nav.al/ai
