Vibe Coding

AI 不會替你創造品味，只會把它放大：從 What'Sub 爆紅看 Vibe Coding

What'Sub 為什麼不像臨時拼成的 AI 產品？從壹加壹的領域經驗、社群爭論與研究，看懂 AI 如何放大產品品味與既有弱點。

What'Sub 把自動聽打、斷句、時間對齊與字幕樣式整合在同一個網頁工具。圖片來源：https://whatsub.equal2.app/

壹加壹公開自動字幕工具 What'Sub 後，討論很快超出字幕軟體本身。有人驚訝一位影片創作者能獨自做出完整產品，也有人認為，真正厲害的不是 AI 寫程式，而是他把多年工作經驗變成了產品。

另一邊的質疑也很直接：壹加壹原本就有龐大流量，產品的資安、成本與維護還沒經過時間考驗，怎麼能只看畫面精緻，就宣告非工程師已經可以取代軟體團隊？

這些問題都指向同一個變化。AI 降低了「把東西做出來」的門檻，卻沒有降低「知道該做什麼、怎樣才算做好」的門檻。

我的判斷是，What'Sub 值得被視為 AI 產品開發的重要案例，但理由不是「有 AI 就不需要工程師」。它真正證明的是，當實作速度變快，領域經驗、產品判斷與驗收能力會變得更有價值。AI 是品味放大器，同時也會放大錯誤判斷。

What'Sub 兩天內為什麼引發討論？

壹加壹在 2026 年 8 月 18 日公開 What'Sub。發表影片標題寫著「花了半年 20 萬」，影片中則表示，這個字幕網站由他獨自開發半年。

截至 2026 年 8 月 20 日晚間，影片累積約 27.2 萬次觀看與 1.7 萬個喜歡，壹加壹頻道約有 84 萬名訂閱者。What'Sub 官網同時顯示「新訂閱暫停開放中」。這些數字代表產品在短時間內取得很高注意力，但觀看、按讚與暫停開放都不等於 Product-Market Fit。Product-Market Fit 指的是產品能持續解決市場需求，讓使用者願意留下並付費，不只是發布時受到關注。

壹加壹介紹 What'Sub 的 YouTube 影片縮圖，畫面寫著 200 天與 20 萬 — 壹加壹在 2026 年 8 月 18 日公開 What'Sub，影片標題寫「半年 20 萬」，縮圖則用「200 天＋20 萬」包裝開發故事。圖片來源：壹加壹 YouTube。

這波討論還有一個特殊背景：What'Sub 很快被社群視為 Vibe Coding 的代表作品。

Vibe Coding 是一種以自然語言告訴 AI 想做什麼，再由 AI 產生與修改程式碼的開發方式。這個詞由 AI 研究者 Andrej Karpathy 在 2025 年提出，最初的語境甚至包含「不再關心程式碼本身」，只看結果能不能運作。

不過，What'Sub 發表影片沒有公開使用哪些 AI Coding 工具、多少程式碼由 AI 產生，也沒有交代開發技術。現階段較合理的說法，是「What'Sub 被社群當成 Vibe Coding 案例」，而不是斷言它完全由 AI 寫成。

這個區別看似只是用字保守，實際上會影響整篇文章的結論。What'Sub 能告訴我們 AI 如何改變產品開發，卻還不能證明完全不理解程式碼也能長期營運正式軟體。

成熟感從哪裡來？答案藏在字幕工作的細節裡

What'Sub 被認為「不像臨時拼出來的 AI 產品」，關鍵不是功能特別多，而是每個功能都能對應到影片創作者熟悉的摩擦。

壹加壹在影片中提到，他們做了約 10 年影片，一支 30 分鐘的內容可能花上一整天處理字幕。真正耗時的工作不只聽打，還包括斷句、對齊說話時間、修正專有名詞、調整閱讀速度，以及避免字幕被社群平台介面遮住。

What'Sub 因此不只提供語音轉文字。使用者可以把人名與品牌名加入詞庫，下一次辨識時優先使用正確寫法；可以在波形與時間軸上調整字幕，使用搜尋取代一次修正重複錯誤，也能把字幕放進 YouTube、Instagram 與 Facebook 的安全框。

What'Sub 官網黑綠怪獸主視覺，下方有字幕顯示框 — What'Sub 不只處理語音辨識，也把字幕可讀性、位置與樣式放進產品設計。圖片來源：What'Sub 官方。

官網還列出 1,900 多套開放授權字型、87 種語言、字幕動畫、樣式分享，以及 SRT、逐字稿、透明背景字幕與成品影片等匯出方式。這些細節未必是最難寫的程式，卻直接決定創作者願不願意把它放進每天的工作流程。

這就是 What'Sub 最有意思的地方。一般人想到 AI 字幕，容易先想到辨識準不準；長期做影片的人則知道，辨識只是第一關。字幕在哪裡斷、觀眾來不來得及讀、改錯字要不要重複做，才是時間真正被吃掉的地方。

換句話說，AI 可以幫忙實作功能，卻不會憑空提供這份產品規格。規格來自一個人長期忍受問題、比較工具並形成判斷後，知道哪些摩擦值得被消除。

社群真正爭論的，是誰有資格做產品

從你提供的 Threads 截圖來看，支持 What'Sub 的觀點大致相同：未來做出好產品的人，不一定是最強的工程師，而可能是對某個領域理解很深，又能用 AI 把想法做出來的人。

Threads 貼文討論 What'Sub、領域經驗與 AI 產品開發 — 社群討論的焦點很快從字幕功能延伸到一個更大的問題：未來做出產品的人，是否會從工程師擴大到各領域的實務工作者？

這個方向基本上成立。Anthropic 曾分析 50 萬筆 AI Coding 互動，發現 Claude Code 中有 79% 被歸類為自動化，Web、UI 與 UX 也是常見用途。這代表 AI Coding 最先改變的，很可能就是網站、簡單應用與使用者介面的製作方式。

但「更多人可以發起產品」不等於「專業從此沒有價值」。比較準確的變化是，產品可以從不同角色開始。

過去，一位剪輯師就算非常清楚字幕工具哪裡難用，也可能因為不會寫程式，無法驗證自己的解法。現在他能先用 AI 做出 MVP。MVP 是最小可行產品，也就是先用最少但足以運作的功能，確認問題與解法是否成立。

當產品開始累積使用者，工程能力仍會重新變得重要。帳號權限、付款、資料保護、伺服器成本、錯誤復原與多人協作，都不是畫面能操作就算完成。

因此，AI 沒有讓每個人突然成為資深工程師。它讓更多人有機會跨過第一道門，把原本只能寫在筆記裡的領域知識，變成可以讓使用者試用的東西。

延伸閱讀：【Vibe Coding】保姆級教學：一個工程師 2500+ 次 AI 對話後的 18 個血淚經驗

AI 是放大器，但它放大的不只優點

把 AI 稱為「品味放大器」很吸引人，但如果只講好的一面，容易變成新的成功學。

Google Cloud 的 DORA 2025 研究把 AI 描述為組織既有強項與弱點的放大器。基礎流程清楚、測試完整、回饋快速的團隊，能把 AI 產出轉成更高的交付能力；流程混亂的團隊，則可能更快產生更多難以檢查的變更。

個人使用 AI 也是同樣道理。知道使用者問題的人，可以讓 AI 快速試出不同解法；不知道問題的人，則可能更快做出一個看起來完整、實際上沒有人需要的產品。

AI 也不保證每個任務都更快。METR 對 16 位資深開源開發者、246 個真實任務進行隨機研究。在該研究情境下，允許使用 AI 的開發者平均反而多花 19% 時間。研究團隊也提醒，這個結果不能套用到所有工作，但它至少打破「只要用了 AI，效率必然提高」的想像。

原因不難理解。AI 產生的內容仍要被閱讀、測試與修正。當使用者不熟悉領域或程式架構，就更難判斷錯誤藏在哪裡。產出速度提高，不代表驗收能力也一起提高。

這使得產品開發出現新的瓶頸。以前稀缺的是把程式寫出來的時間，現在更稀缺的可能是知道哪個版本可以留下、哪個結果只是表面能動，以及什麼風險還不能交給使用者。

所謂產品品味，不只是 UI 好不好看

「品味」很容易被理解成喜歡什麼顏色、字型或版面，但產品品味更接近一組能說明理由的判斷。

第一種是問題品味。它決定你選的是不是值得解決的問題。What'Sub 沒有從「現在流行 AI」開始，而是從「字幕比剪片更久」開始。技術只是後來採用的手段。

第二種是產品品味。它決定哪些功能應該優先，哪些功能只是看起來厲害。自動辨識很容易放進宣傳標題，但詞庫、快捷鍵、搜尋取代與安全框，才會決定使用者每天省下多少時間。

第三種是體驗品味。它要求設計者理解使用者當下正在做什麼。字幕編輯需要精細控制，因此 What'Sub 把主要編輯限制在電腦，不硬把所有功能塞進手機。這是一種取捨，而不是功能做不完整。

第四種是驗收品味。看到 AI 產出後，能指出哪裡不對、為什麼不對，以及下一輪應該怎麼改。Paul Graham 在〈Taste for Makers〉中談到，好設計會解決正確的問題，而且好設計通常來自反覆重做。放到 AI 時代，這個原則更重要，因為生成第一版已經不再困難，真正拉開差距的是改到第幾版才知道可以停。

2026 年的 TASTE 預印本研究也提供一個有趣證據。專業設計師在字體、視覺層級、空間配置與 Brief 忠實度上，存在非隨機的共同判斷；但研究測試的現成 AI 評審，和設計師多數意見的一致率仍低於 0.55。

這不代表品味完全客觀，而是說它不只是「各人喜好」。許多判斷可以被拆解、比較與訓練，只是目前的 AI 還不能穩定代替專業人士做這些判斷。

品味不是完整護城河，流量也不是產品成功

如果只用 What'Sub 證明「有品味的人靠 AI 就會贏」，會漏掉壹加壹原本擁有的其他資產。

第一個是分發。壹加壹約有 84 萬 YouTube 訂閱者，知道怎麼拍一支讓人看完的產品發表影片，也已經累積觀眾信任。一般獨立開發者就算做出同樣產品，也未必能在兩天內取得相同注意力。

分發不是品味，而是一項獨立的商業能力。它能降低取得第一批使用者的成本，也能讓團隊更快收到真實回饋。把這項優勢全部歸因於 AI，反而看不懂 What'Sub 為什麼能形成社群事件。

第二個是封測回饋。壹加壹在影片中感謝早期測試者回報 Bug 與修改建議。這說明產品成熟度不是一個人關在房間裡 Prompt 半年自然長出來，而是經過使用者回饋與多輪修正。

第三個是營運能力。What'Sub 官網目前表示新訂閱暫停開放，顯示團隊仍在調整服務承載或開放節奏。官網 FAQ 寫辨識用聲音副本保留 14 天，頁面內的隱私權政策則寫 7 天，兩處說明並不一致。這不代表產品不安全，卻提醒我們：從好用工具走向正式 SaaS，仍需要把條款、資料流程與客服說法整理成同一套標準。

SaaS 是透過網路持續提供的軟體服務。它的難題不只開發第一版，還包括每個月的成本、穩定性、安全更新、退款、客服與使用者留存。這些工作不容易出現在漂亮的發表影片裡，卻會決定產品一年後還在不在。

因此，我對 What'Sub 的現階段判斷是中性偏正面。它已經證明領域專家能用新的工具做出成熟產品，也取得真實市場注意；但在缺少留存、付費、成本與穩定性資料時，還不能把發布熱度視為長期護城河。

下一批 AI 產品，可能不再從工程師開始

What'Sub 最值得注意的改變，不是誰被誰取代，而是產品的起點正在移動。

創作者可以從內容工作流開始，PM 可以從需求與流程開始，設計師可以從互動與視覺開始，教師、醫師、會計或律師也可能從每天重複面對的專業問題開始。AI 讓這些人更早把想法變成可測試版本，不必先組成完整軟體團隊。

工程師的角色則會往後移，也會往更高風險的地方集中。當產品需要處理正式資料、付款、權限與大量使用者，架構、安全、測試與可維護性仍然不可省略。技術債就是為了快速推出功能而留下的結構與品質問題，它不會因為程式碼由 AI 產生就自動消失。

2025 年一項對 Vibe Coding 的實證研究也得到類似結論。研究者發現，Vibe Coding 並沒有消除程式專業，而是把專業重新分配到 Context 管理、快速評估與判斷何時改由人工處理。Context 可以理解成 AI 當下掌握的需求、程式、限制與歷史資訊。給錯 Context，AI 就可能很有效率地往錯誤方向前進。

未來的產品團隊因此可能更像接力，而不是替代。領域專家定義問題，AI 加速實作，使用者提供回饋，工程師再把被證明有價值的版本做穩、做安全並擴大規模。

延伸閱讀：Replit Design 是什麼？AI 設計功能、教學與 Figma／Canva 比較

怎麼培養能被 AI 放大的品味？

如果品味只是一種天賦，這篇文章對讀者沒有幫助。比較實際的理解是：品味來自看過足夠多案例、做過足夠多比較，也願意為每次取捨說明原因。

1. 先記錄問題，不要先找 AI 題目

把一週內重複出現、讓你繞路或需要人工修正的工作記下來。好的 AI 產品通常不是從「這個模型可以做什麼」開始，而是從「為什麼這件事每次都這麼麻煩」開始。

2. 把「不好用」改寫成可驗收標準

不要只說字幕斷得很怪，而要寫出每行理想字數、出現時間與例外情況。不要只說畫面沒有質感，而要指出資訊層級、間距、字體與操作順序哪裡有問題。AI 需要的是可以執行的差異，不是情緒形容詞。

3. 收集你拒絕過的版本

只保存喜歡的參考還不夠。把被否決的方案和理由一起留下，AI 才能理解邊界。這也是建立個人或團隊設計規則、Prompt 與 Skills 的基礎。

4. 讓真實使用者破壞你的想像

自己能完成操作，不代表第一次使用的人也能。封測的價值，就是讓不同使用者帶著不同檔案、習慣與錯誤方式進來，暴露設計者原本看不到的問題。

5. 知道何時要找專業者接手

AI 適合快速探索與建立第一版。當產品開始處理個資、金流、醫療、教育評量或大量使用者時，就應該讓對應專業者參與。好的品味也包括知道自己的判斷在哪裡會失效。

FAQ

What'Sub 是什麼？

What'Sub 是壹加壹推出的網頁字幕工具，提供自動聽打、斷句、時間對齊、詞庫、字幕樣式與多種格式匯出。官方表示影片留在使用者電腦，辨識時只擷取聲音送到伺服器處理。

What'Sub 是完全用 Vibe Coding 做的嗎？

目前不能確認。壹加壹表示產品由他獨自開發半年，但發表影片沒有公開 AI 工具、技術棧或 AI 產生程式碼的比例。較準確的說法是，What'Sub 被社群視為 Vibe Coding 的代表案例。

Vibe Coding 不需要懂程式嗎？

用 Vibe Coding 做出原型時，確實可以少寫很多程式碼。但產品正式上線後，仍要處理測試、安全、權限、成本與維護。完全不理解程式不代表不能開始，卻會限制你判斷錯誤與承擔風險的能力。

AI 真的會放大品味嗎？

AI 能把一個人的選擇快速變成大量版本，因此會放大原本的判斷。問題選得好、驗收標準清楚，AI 就能加快探索；方向錯誤或缺少標準，AI 也會更快產生大量無效內容。

有領域經驗就能做出成功產品嗎？

不一定。領域經驗有助於選對問題，仍要經過使用者驗證、商業模式、分發、工程與營運。What'Sub 已證明它能取得注意力，長期成功則要看留存、付費、成本與穩定性。

結論：人人都能做產品後，差距反而更清楚

What'Sub 的故事很容易被簡化成「YouTuber 靠 AI 做出 SaaS」，但這樣反而低估了真正值得學習的部分。

產品不是從 AI 開始，而是從多年字幕工作累積的痛點開始。AI 讓壹加壹有機會把這些判斷直接做成工具，原有的觀眾與內容能力則把工具送到第一批使用者面前。封測回饋再把一個人的經驗，修正成更多人能用的流程。

因此，AI 的確是品味放大器，但品味不是完整護城河。它還需要領域經驗提供內容、使用者回饋校正方向、分發帶來市場，以及工程與營運承擔長期責任。

當程式碼不再是唯一門檻，真正稀缺的會是知道問題在哪裡、什麼應該留下，以及什麼時候還不能推出去的人。