AI 時代讀資工、電機還有用嗎？從 Vibe Coding 到資安風險一次解析

「AI 都會寫程式了，現在讀資工還有用嗎？」

「晶片都由大公司做，高中生讀電機是不是太晚？」

這兩個問題最近常被放在一起問。家長擔心孩子花四年學到的東西很快被工具取代，學生則看著 AI 幾秒鐘產生一段程式，開始懷疑自己為什麼還要從變數、電路和數學學起。

小編的答案是，資工和電機依然有用，但大學教育的價值不能只用「會不會寫出程式」來衡量。AI 能讓作品更快出現，卻不會替學生理解系統、判斷風險或承擔上線後的責任。AI 時代需要的 domain know-how，也就是對特定領域、流程和限制的深入理解，反而更清楚了。

AI 到底改變了什麼

AI 已經能協助產生程式碼、整理文件、找出部分錯誤、撰寫測試範例，也能把自然語言轉成初步的功能。這會讓入門者更快做出一個看得見的成果，也會讓部分重複性高的工作變少。

但一段能執行的程式，距離一個可以交付的系統還有很長的距離。使用者到底要解決什麼問題，資料能不能合法使用，系統遇到大量流量會不會壞掉，權限設計是否安全，結果出錯時誰要負責，這些問題不會因為程式碼產生得更快就自動消失。

AI 也可能一本正經地給出錯誤答案。它產生的程式能跑，不代表邏輯正確；測試剛好通過，不代表沒有漏掉重要情境。能看懂程式、知道系統怎麼運作、會設計測試的人，才有能力判斷這段輸出能不能放進真實環境。

2026 暑假 Vibe Coding 營的 Final Project，問題很快就出現了

小編在 2026 暑假 Vibe Coding 營評 Final Project 時，原本期待同學善用 AI 工具，在短時間內完成一個相對完整的網站應用。大部分同學確實做出了像樣的作品，畫面完整，功能也有一定程度的可操作性。從展示結果看，AI 很適合幫助初學者快速跨過「空白畫面」這道門檻。

但評分往下看，另一個問題也很明顯。部分同學完成了作品，卻說不清楚其中的架構。有些同學甚至還不太知道前端和後端的差異，也不清楚資料從瀏覽器送到伺服器後，經過哪些處理才回到畫面上。作品可以運作，學生卻未必理解它為什麼能運作。

這個差距會在資安檢查時放大。當小編詢問登入、權限、API 金鑰、資料庫和使用者資料如何處理時，有些同學只能再去問 Claude 或 GPT「這個網站有沒有資安問題」。工具會給出一些建議，但學生如果不了解前端、後端、身分驗證和資料流，就很難判斷建議是否適用，也很難知道 AI 漏掉了什麼。

Vibe Coding 本身有很高的學習價值。對學生來說，快速完成一個作品確實能增加動手做的意願，也能讓課堂在短時間內看到成果。小編更在意的是，作品完成以後，學生是否能把畫面背後的系統講清楚。AI 可以協助施工，學生仍要學會讀圖、驗收和維修。

近期的 Zeabur 資安事件

近期的 Zeabur 資安事件，涉及專案環境變數資料被未授權存取。環境變數裡可能放著 AWS、GitHub、Cloudflare、Stripe、Anthropic、OpenRouter、OpenAI 等服務的憑證，也可能放著資料庫連線字串、密碼、JWT secret 與其他敏感設定。

這件事讓 production 和 demo 的距離變得很清楚。網站能開啟只是第一關，憑證放在哪裡、前端會不會拿到秘密、權限怎麼分、不同環境是否隔開，全部都會影響網站能不能安全上線。API 金鑰外流可能帶來未授權使用和額外費用，資料庫密碼或 JWT secret 外流，後果可能更直接。官方目前沒有公布每個專案的實際損失，這也不會讓外洩變成小事。

不是AI寫的程式都不安全，問題是在於系統設計、憑證管理和權限設定，而 Vibe Coding 讓沒有受過系統與資安訓練的人，也能很快把應用做出來。AI 可以列出幾個可能的問題，domain know-how 才能讓學生知道哪個問題最危險、影響範圍多大，以及修正後是否真的有效。

讀資工，學的真的只有寫程式嗎

資工系的範圍比「寫網站」大很多。不同學校的課程會有差異，但常見基礎通常包含程式設計、資料結構、演算法、離散數學、計算機組織、作業系統、網路、資料庫與軟體工程。以國立清華大學資訊工程學系 115 學年度入學學生的課程表為例，系定必修包含計算機程式設計一與二、資料結構、線性代數、機率、離散數學、邏輯設計、硬體設計與實驗、軟體設計與實驗、計算機結構、作業系統，以及系統整合實作。再往後，學生可以走人工智慧、資安、分散式系統、編譯器、遊戲、圖形、資料科學或人機互動等方向。

這份課程表很能說明資工教育在訓練什麼。學生要先學會寫程式，也要理解資料怎麼組織、數學怎麼支撐模型和演算法、硬體怎麼執行指令，最後把不同部分整合成可以運作的系統。AI 可以幫忙產生其中一段程式，卻不能替學生跳過這些理解。

這些課程的價值，常常在第一次遇到大型問題時才顯現。AI 可以幫你寫一個排序函式，但你仍要判斷資料量變大後速度是否足夠。AI 可以替你生出 API，但你需要決定資料怎麼保存、權限怎麼分、錯誤怎麼回應。AI 可以產生一個網頁畫面，但你要確認它是否符合使用者需求、是否能被維護，以及功能是否真的完成。

資工和 AI 的關係

資工學生不一定都要成為機器學習研究員。有人研究模型，有人把模型接進產品，也有人負責資料工程、雲端系統、資安、測試與基礎設施。AI 讓這些分工彼此更靠近，但每一種工作仍有自己的技術問題，並沒有合併成一個「會下提示詞」的職業。

如果孩子喜歡把大問題拆成小問題，願意花時間找 bug，對「為什麼這樣設計」比「能不能馬上做出來」更在意，資工可以是一個好方向。數學不需要一開始就很強，但要願意補；英文也不能放掉，因為文件、研究資料和工具說明常常先以英文出現。

讀電機，AI 時代為什麼仍然需要

電機系常被簡化成修電器或做機器人，實際範圍包括電子、電路、控制、通訊、電力、半導體、嵌入式系統、訊號處理與電腦工程。AI 每多跑一次模型，就需要更多運算、記憶體、網路頻寬與電力，這些都和電機及硬體系統有關。

一個 AI 模型要在手機、車子、工廠或醫療設備裡運作，不能只問模型準不準。還要考慮晶片速度、耗電、散熱、感測器資料、即時反應與設備成本。這裡需要硬體設計、嵌入式系統、電腦架構、控制與通訊的知識。

電機也有很大的差異。喜歡分析電路和訊號的人，可能走電子或半導體；喜歡讓機器按照感測資料做出動作的人，可能走控制與機器人；對能源和電網有興趣的人，方向會靠近電力；喜歡軟硬體交界的人，則可能接觸 FPGA、嵌入式系統或 AI 加速器。

資工和電機怎麼選

兩個系都會碰到數學、程式與系統思考，也都可能走到 AI。差異在於學生平常更想處理哪一類東西。

這張表只是起點。電機系可能有很重的程式與計算機工程，資工系也可能深入硬體、嵌入式和計算機結構。選系時要看目標學校的課程地圖，不能只看系名。

AI 會取代初階工程師嗎

部分工作內容會被自動化，這件事不用假裝不存在。把規格轉成樣板程式、產生簡單測試、整理資料、撰寫重複性的文件，AI 已經能幫忙完成其中一段。公司未來可能用更少的人，在更短時間做完同樣的初步工作。

學生需要面對的變化，是入門門檻從「能不能寫出第一個版本」往前移到「能不能說清楚需求、判斷輸出、修正錯誤」。這會讓學習更快，也會讓偷懶更容易被看見。只把 AI 產生的程式貼上去，遇到錯誤時沒有能力追查，作品很快就會停在展示畫面。

資工與電機的基礎課程因此更重要，理由很實際。沒有資料結構，難以判斷程式的效率；沒有系統概念，很難知道服務為什麼在本機正常、上線後卻崩潰；沒有電路與硬體知識，很難理解 AI 加速器的限制；沒有測試與驗證習慣，也很難對 AI 的輸出負責。

高中生現在該怎麼準備

不需要在高中就把所有工具學完。工具更新速度很快，今天熱門的框架，四年後可能換了名稱。現在比較值得累積的是能帶著走的基本功。

第一，練習把問題說清楚。做一個小作品前，先寫下使用者是誰、要解決什麼問題、怎麼知道結果有效。這會讓你使用 AI 時更容易提出有用的要求，也能避免做出看起來很完整、實際上沒人需要的東西。

第二，保留自己修改和測試的過程。可以請 AI 協助解釋錯誤，但先自己描述看到的現象，再比較它提出的原因。把失敗版本留下來，你會慢慢看出某個決定如何影響結果。

第三，至少完成一個不靠複製貼上的作品。資工方向可以做簡單網站、資料分析、遊戲或小型自動化工具；電機方向可以從 Arduino、感測器、電路、FPGA 或機器人開始。作品不必很大，重點是學生能說出自己負責什麼，哪裡失敗，後來怎麼改。

第四，補好數學、英文和表達。AI 工具會替你省下一些打字時間，卻不會替你建立判斷力。數學幫助你理解模型與系統，英文讓你能讀原始文件，表達能力則讓隊友知道你做了什麼、為什麼這樣做。

想知道適不適合，可以先做一次小型探索

如果孩子正在選二類，或在資工與電機之間猶豫，與其只看系所排名，不如安排一個能動手做的體驗。

想觀察資工方向，可以找有程式設計、資訊安全、資料處理或 AI 專案的 GenAI 資安資工研習營。想觀察電機與半導體方向，可以看包含 Verilog、數位邏輯與 FPGA 的 IC Design 半導體電機系體驗營。這類活動的重點不在於幾天內變成工程師，而在於孩子能不能接受拆問題、做測試、看錯誤和重新來一次。

活動結束後，請孩子回答兩件事就好。哪個任務讓孩子願意多花時間，哪個概念讓孩子回家還想查。也可以補上一句暫時不想碰的方向，少走一條不適合自己的路，能替後面的選擇省下時間。

結論放在選系之前

AI 時代讀資工或電機仍然有用，前提是你讀的是一套能理解問題和系統的訓練，學習時也要把焦點放在可長期使用的基本功，不要只追著某個熱門工具跑。

資工比較靠近程式、資料、演算法與數位系統。電機比較靠近電路、裝置、訊號、控制與硬體。兩者都能進入 AI，也都需要數學、實作、驗證和持續學習。

如果孩子喜歡寫程式，可以先確認自己是否也願意讀懂系統；如果孩子喜歡晶片，可以先確認自己是否願意面對物理、電路和長時間除錯。讀系的問題，不該只剩下「AI 會不會搶走工作」。更實際的問法是，孩子願不願意成為那個理解工具、檢查結果，最後對系統負責的人。