人工智慧如今已深深影響人類生活。凡是與智力、知識相關的工作與任務，似乎都可以從人工智慧中獲取部分甚至完整的解答。有人因此擔心飯碗不保，但若你所學的知識，本來就可以透過 Google 搜尋輕易取得，那麼在當初選擇專業的時候，其實就已經埋下了被取代的風險。
大學四年若只是重複吸收現有知識，缺乏創新與突破，無法在既有領域中形成獨特優勢，那麼可想而知，擁有同等能力的人才隨處可見。當知識門檻不高、同質性過高時，你的競爭力自然會下降，失業的風險便大幅增加。過去人們普遍認為文科畢業生失業率高，但如今人工智慧的興起，卻讓原本被視為就業保障的資訊科學領域，也出現危機感。
這種現象，從近幾年的教育市場趨勢也能看出端倪。以資訊科學為例，大學與研究所大量增設相關科系，每年培養出龐大數量的程式設計與系統開發人才。同時，基礎資訊教育逐漸普及，小學生就開始學寫程式。當入門門檻降低，市場上可從事基礎程式工作的群體迅速擴張，若缺乏更高層次的技術或跨領域應用能力，將陷入「僧多粥少」的局面。這種情況下，就算短期內仍能找到工作，長期發展也會因為替代性高而受限。
因此，跨領域學習的重要性日益凸顯。輝達（NVIDIA）執行長黃仁勳曾指出，下一波人工智慧的發展方向是「物理/實體 AI」，它必須理解物理定律，如摩擦力、慣性與因果關係等。這意味著，單一的資訊技能已不足以應付未來需求，必須與其他學科結合，才能創造出新的技術突破。例如，AI 與物理結合可推動自動駕駛與機器人運動控制的精準度；AI 與醫學融合可促進精準醫療與藥物研發。
然而，跨領域學習並非只是「多學幾樣技能」那麼簡單。它需要有脈絡、有計畫地整合，讓不同領域的知識能互相支撐與轉化，而不是隨興地東學一點、西碰一點。否則，即使課程表看起來多元豐富，也可能只是淺嘗輒止，無法形成專業深度。有些大學生在畢業時，修習的總學分數量甚至足以再取得另一個學位，表面上看似博學多聞，實際上卻像是把大學當成高中來念，日程滿檔卻缺乏核心方向。這種學習方式，也許在沒有 AI 的年代還能算是一種備戰策略，但在今日 AI 可快速補足知識的環境下，這樣的優勢幾乎被削弱殆盡。
真正有效的跨領域學習，應該是有明確主軸並能產出獨特價值的。例如，你可以以人工智慧為核心，延伸學習物理、材料科學與感測器技術，最終形成一套能應用在智慧製造或新能源領域的完整方案；或者以數據科學為基礎，結合心理學與行為經濟學，開發更精準的用戶行為預測模型。這種整合式學習，才能在 AI 的浪潮中，延緩甚至避免被取代。
面對人工智慧快速演進，與其擔心被取代，不如積極打造不可輕易複製的專業組合。當你的能力來自不同領域的深度結合，而不只是單一知識的累積時，你的價值就會遠高於「搜尋引擎或 AI 可以給的答案」。在這個時代，學習的重點，不是記住多少知識，而是能否將知識轉化成創新與實用的解決方案。