黃仁勳談 AI 時代該學什麼：除了寫程式，為何更重視系統思考？

黃仁勳談 AI 時代該學什麼，答案仍包含電腦科學、工程與基礎科學。在 YC 於 2026 年 7 月 26 日發布的官方對談裡，他預期寫程式等工作會愈來愈多交給 AI，但解決問題所需的知識仍然重要。

這段話容易只留下「不用學寫程式」。可是黃仁勳在同一段回答裡談到跨領域難題，也鼓勵年輕人繼續求學，因此他的學習觀值得放回完整脈絡理解。

他特別強調系統思考，也就是看懂一件工作裡，各部分如何一起運作。AI 就算能產出程式，仍需要有人判斷問題在哪裡、什麼結果才算做對。

對擔心技能過時的學生與工作者，這提供了一個學習方向：學新工具的同時，也練習說清楚目標、限制與驗收方法，才有依據判斷 AI 的成果。

這是七月舊對談的延伸解析。要理解黃仁勳的觀點，可以先從他如何區分「寫出程式」與「解決問題」看起。

黃仁勳說的自動化，為何不等於不用學專業？

他的判斷是，AI 會承接更多實作工作，但人仍會遇到需要專業理解的難題。在YC 官方逐字稿的學習段落，他把寫程式的自動化，與科學、工程及跨領域問題並列討論。

他提到物理、化學、生物、電腦科學、電腦工程與系統思考。因為這些領域要處理的問題仍存在，AI 提供更多幫手後，人也能嘗試規模更大的任務。

這是他對技術發展的預期，訪談沒有給出各職業被取代的時間表。對正在選課的人，可用的訊息是保留專業基礎，並練習把知識用在具體問題上。

例如，AI 寫出一個能執行的程式，只能證明它在某些條件下跑得動。要確認它符合需求，還得知道哪些情況應該得到什麼結果，這就需要對工作本身的理解。

系統思考是什麼？先看目標、資料流與限制

系統思考會把注意力放在整件事如何運作。黃仁勳在對談中談到問題目標、輸入輸出、資訊流動與限制，也舉出處理器、記憶體及網路可能成為瓶頸。

「瓶頸」是拖慢整體工作的環節。某個步驟即使做得更快，如果大家仍在等另一個步驟，整件工作就未必會提早完成。

把這個概念放進日常練習，可以用一個假設的訂單小工具來理解。以下是本站設計的例子：AI 做出漂亮的訂單頁面，但取消訂單仍被算進每日金額，因此畫面能開啟，結果卻不符合用途。

要找出問題，可以把同一筆訂單走過的環節攤開看。這張表用來定位檢查點，無須先追求更多功能。

如果金額算錯是因為取消狀態沒有傳到統計頁，重做頁面配色就幫不上忙。沿著資料流查找，才能把修正指向發生問題的位置。

AI 會寫程式，跨領域知識如何派上用場？

跨領域能力能幫助人把模糊要求，變成不同角色都理解的工作條件。黃仁勳把領域交會處列為難題，因為同一個問題往往同時牽涉技術與使用情境。

沿用訂單的假設案例，工程端可能認為「資料成功寫入」就完成了，但使用者要的是「取消後不再計入」。兩者對完成的定義不同，程式寫得再快，也可能交出用不上的成果。

懂流程的人可以補上訂單狀態的意思，懂資料的人則能檢查狀態怎麼保存與更新。當這些理解接起來，交給 AI 的要求才會包含實際用途。

這也解釋了為什麼學習不宜只停在輸入指令。你至少要能指出一種會出錯的情況，並說明正確答案，才有機會在工具回答得很流暢時發現問題。

延伸閱讀：AI App 越做越多，為什麼沒人用？a16z 數據揭露 Vibe Coding 的真正瓶頸

想練這項能力，可以做哪一種小專案？

可以先做一個自己看得懂答案的小工具，練習從需求走到驗收。以下做法是本站根據前述觀點設計的練習，並非黃仁勳在訪談中指定的作業。

先寫清楚輸入與輸出

以訂單工具為例，先在紙上寫下要輸入的欄位、希望得到的統計，以及取消訂單的處理規則。因為範圍夠小，你能在 AI 開始動手前，先算出一組正確答案。

接著請 AI 做出最簡單的版本。第一次只處理這個規則，之後如果要加圖表，也有一個已確認的結果可供比較，較容易看出新增功能有沒有破壞原本計算。

用反例檢查，再記下一次修改

反例是能讓原先假設失效的情況，例如同一筆訂單從成立改成取消。用這筆資料測試，可以檢查系統是否只會處理順利的流程。

發現錯誤後，先記下原因，再要求 AI 修改相關部分。最後重新檢查原本會過的資料，確認修正沒有帶出另一個錯誤。這樣就能練習把問題、修改與結果連在一起。

如果想量化進步，可以記錄每次找出錯誤原因所需的時間。這個數字只供自己的練習比較，不代表任何工具的通用能力，也不等於企業導入成效。

官方影片與學習入口在哪裡？

原始對談能幫助讀者區分黃仁勳的發言與後續延伸。YC 官方影片在 20:50 標示系統思考、41:01 標示未來仍值得學的知識，以下播放器從學習段落開始。

若想補充技術基礎，可以從NVIDIA 官方培訓入口查看 AI、資料科學與加速運算的學習路徑、自學內容及工作坊。這是延伸資源，並非黃仁勳在對談中指定的課程清單。

挑選內容時，先對照自己卡住的問題。如果還說不清楚資料從哪裡來、什麼叫正確結果，可以先把小專案補完整，再決定需要學哪一項技術。

黃仁勳談 AI 學習常見問題

他是在說學生不用學程式嗎？

黃仁勳預期寫程式會更多自動化，但同時把電腦科學與電腦工程列為重要領域。完整回答支持的是持續學習專業知識，不能只截取自動化那一段。

非工程師也能練系統思考嗎？

可以從熟悉的流程開始，例如整理報名、追蹤訂單或安排內容交付。先說清楚輸入、輸出與例外情況，再請 AI 協助實作，較容易判斷結果是否有用。

這是黃仁勳十一月的新發言嗎？

本文解析的是 YC 於 2026 年 7 月 26 日發布的對談。文章裡的訂單案例與練習方法由本站設計，方便讀者應用訪談中的學習觀點。

能讓 AI 動手，也要能說明為什麼

對已經開始用 AI 做專案的人，下一次練習可以多交付一份簡短的驗收紀錄：目標是什麼、哪筆資料曾經算錯、修正後如何確認。這會讓你看見自己是否理解整件工作。

黃仁勳的學習觀也延伸到面對未知的態度。想理解他如何談創業時的學習與焦慮，可以接著閱讀同場對談的另一個主題。

延伸閱讀：黃仁勳創業談「先過完今天」：500 頁創業書與 YC 對談的完整脈絡

免費訂閱 AI 郵報，持續收到 AI 科技新知與能放進工作裡練習的方法。