根据美国劳工统计局的资料，二○一八年最抢手的行业为生医工程师、网路系统与资料传输工、兽医、电脑软体、物理治疗与职能治疗、土木工程师、护士、会计、财务分析与景观设计。其中生医工程师是新兴的行业，但是相关学理与技术早已存在数十年，而其他九项行业根本是老行业的新需求。
即使是全新的行业，也通常是在旧技术的基础上发展出来的。以二○二○年的三星旗舰手机为例，它的核心技术之一是安卓（Android）作业系统，这个作业系统二○○三年就已存在，它是利用一个Linux核心发展而成，而Linux核心的技术在一九九一年就已问世。
其实，产业的变迁是大量承袭既有再加上局部的创新，从量变逐渐累积为质变，而非不连续的跳跃式变化。因此新兴产业总是需要从旧产业引入大量的技术与人才，而愿意持续吸收新技术的人都可以顺利地换轨。譬如，面板产业与发光二极体的磊晶圆产业都是需要借用晶圆代工的技术与人才，软性面板也会大量使用到传统面板的技术与人才。
如果从学理的角度去看，变化的连续性就更清晰。譬如人脸识别技术的学理基础有两个，一个是一九八○年代起迅速发展的类神经网路，一种是一九七○年代开始迅速发展的影像处理；而后者是以一维的数位讯号为基础，把影像当作二维讯号去进一步发展出来的。假如一个人能掌握到这些学理之间的相似与互通，就可以轻松地用一九五○年的类比讯号理论略加扩增而变成一九六○年的数位讯号理论，再略加扩充就变成今天应用广泛的影像处理技术。假如一个人不懂得这些学理之间的类似性与互通，就会误以为类比讯号处理、数位讯号处理、影像处理与人脸识别之间是毫不相关的三、 四种技术或学问。
理工的学问都是跟几何学一样的演绎系统，它们都是从数量有限的基础定理和观念出发，经过演绎而发展成成千上百的定理：欧几理德（Euclid）的《几何原本》共有四百六十五个定理，然而它们都是从五个公设和五个公理演绎出来。类似地，一本电路学的教科书动辄四、 五百页，其实整本书都是从三个定律推导出来的，而且这三个定律都是简单到一旦理解了就不会再忘记；同样的，静力学的教科书也是动辄六、 七百页，其实整本书就只有一个观念：合力等于零。
庄子说：“吾生也有涯，而知也无涯。以有涯随无涯，殆已！”如果你把理工的学问当作一堆零碎而不相连属的知识，就永远跟不上知识的爆炸速度；如果你把它们当作一个演绎系统，从知识源头掌握住核心定理、观念和假设，就能够以简御繁、以一御万，轻松地理解和吸收它们。
此外，在以前电脑不普及的时代里，灵活的解题技巧是解决复杂工程问题的必备能力。然而在这个电脑程式极其发达的时代，不管是复杂的电路设计或结构分析，工业界都早已是使用各种现成软体在进行分析，而不需要自己动手解题。因此，重要的是深入掌握核心原理、观念和假设，能正确使用现成软体和解读软体的分析结果，而不需要去管枝节琐碎的知识细节和解题技巧。
事实上，在这个剧变的时代里，再多的知识也不够用。所幸，只要善用行动运算与搜寻引擎，我们所需要的知识几乎都在随手可及的网路上。因此，解决问题的关键并非事先在你大脑里储备大量的知识，而是学会在最短的时间里找到所需要的知识和文件，过滤掉可信度或含金量低的网路垃圾，并且在最短时间里加以吸收、转化、活用。
因此，当人工智慧与机器人逐渐侵入职场时，人类的学习重点应该要逐渐转移到它们所不擅长的宏观视野、问题定义，以及运用它们解决问题的能力，而不是复杂的数学与解题技巧，或者网路上可以搜寻得到的知识。
简言之，面对未来的职场巨变，我们需要的是跟机器人与人工智慧合作的技巧，以及运用大数据与各种网路资讯、数位典藏的能力。至于过去讲究的博学强记、谨小慎微的学习模式，则是早已过时而急需淘汰的。
譬如，人工智慧擅长规则明确的逻辑演绎和复杂的计算，却不擅长批判性思考与创新，也不擅长洞察人心的需要。因此，当人类与机器人在需要创新的工作上竞争时，最能发挥“以己之长，攻人之短”的优势。此外，如果一个人有能力通过研究与批判而创新，他就可以站在职场的前缘，成为职场变迁的受益者而非受害者。
不管是机器人智能水准的提升，或职场技术与知识的迅速更替，乃至于新兴国家的崛起，都是既带来威胁，也带来新的机会—— 它们都是经济学家熊彼得（Joseph Schumpeter）所谓的“创造性破坏”。而破除威胁，转危机为转机的关键诀窍，就在于培养自己研究、批判与创新的能力。
这三种能力表面上看起来没有明确的关系，实则它们的最终目标都是为了创新—— 如果研究的成果无助于创新，那就等于徒劳而无功；如果只会批判而没有能力创新，那就无异于发牢骚。或者说，批判既有乃是研究工作的起点，为的是找到值得突破与创新的课题；而研究则是导致创新的方法与过程。⊙
<本文摘自《生命是长期而持续的累积：彭明辉谈困境与抉择（畅销十周年．特别增订版）》，联经出版提供>
责任编辑：茉莉
