Hi, 我是 Mason —
能寫、能譯、能 ship 的 AI 落地人

過去 8 年，我寫了超過 1,600 篇文章，其中 1,000+ 篇網上署名、30+ 篇單篇流量破百萬。 職涯起點是 2018 年在早安健康當日文編譯——把日本健康媒體的內容翻譯為繁中。 一年後我出來全職 SOHO，繼續以特約身份幫早安健康供稿，並陸續累積了一批跨地區的長期客戶—— 台灣的醫聯網（線上醫師諮詢平台）、香港的 ANKH 機能再生、 日本的博報堂 DAC Taiwan 與株式會社 MyBest。 這 8 年的工作每天都涉及英文/日文醫學期刊閱讀、跨語編譯、長篇 SEO 撰寫。

這段路上我學到最重要的一件事是：客戶從來不是為「文字技巧」買單，他們買的是「你能聽懂他說不清楚的那個問題，然後幫他講出來」。 這就是為什麼我相信自己適合 FDE/SE——我已經在一個「不寫程式」的領域，把這件事重複做了 8 年， 只是現在我多了能在客戶面前即時 demo、即時 ship 的技術能力。

2024 年我第一次認真用 ChatGPT 之後，意識到一件事：我過去 8 年的瓶頸不是沒想法，而是沒有執行層。 我寫過無數篇文章，但真的要「做出一個能跑的網站」，中間有一條我從沒跨過的溝——程式碼、工具鏈、部署、基礎設施。這條溝吃掉了我太多想法。 AI 的出現剛好把這條溝填平了——不是因為它教會我寫程式（坦白說我到現在也不真的懂那些程式碼），而是它變成了我的執行層。 我負責想清楚要什麼、描述得夠精確、判斷做出來的對不對、迭代到它真的能用；AI 負責把我的想法轉成可跑的程式碼。 經過兩年的協作與驗證，2026 年我做出了你現在看到的這個網站——195 篇 AI 文章、完整技術 stack、自動化工具鏈，從規劃到驗證都是一個人主導完成。

這件事改變了我對「能力」的定義。過去我們認為能力來自學歷、年資、訓練——要做出一個像樣的網站，你得先花三年學會寫程式。但 AI 時代的能力是另一組維度： 能不能想清楚要什麼、能不能描述得夠精確、能不能判斷做出來的對不對、能不能迭代到它真的能用。這四件事比「學會 N 種語言的語法」更難、更值得， 而且 AI 目前做不到——它需要一個有判斷力的人來引導。這正是 8 年內容工作給我的底子：我一直在做「聽懂別人說不清楚的事，然後幫他講出來」這件事，差別只是以前幫客戶、現在幫自己、也許之後幫 AI 公司的客戶。

這份能量，我可能會帶進一家真正的 AI 公司， 把 8 年累積的「聽懂客戶在說什麼」與「寫出有 reach 的內容」的能力， 加上這一年跟 AI 協作蓋完一整個知識平台的實戰手感，變成能在客戶會議桌上即時理解需求、即時用 AI 做 demo、即時驗證是否真的 ship 得出來的人。 也可能繼續以獨立顧問的角色，把這套「產品判斷力 × AI 執行力」的組合帶給更多需要的客戶。 兩條路我都在走，看哪個對話先發生。

還有一個更大的脈絡——這不是我一個人的賭注。 NVIDIA 執行長黃仁勳公開說過「AI 是英文系的逆襲（AI is the revenge of the English Major）」——他認為 AI 時代最值錢的能力是語言、寫作、創意、說故事、理解人的處境，而不是更多的程式設計師。 剛好點中我 8 年內容工作的底子。

市場也在同步印證這件事：Anthropic、OpenAI、Palantir、Salesforce、Cohere 都在擴編 Forward Deployed Engineer 團隊， 2025 年這類職缺的需求一年內成長了 800%——核心能力是「能聽懂客戶、能把模糊需求翻成產品、能在現場即時協作」， 軟技能的權重正在壓過純技術。同時 Replit、Cursor、bolt.new、Lovable 一整串工具都是為了驗證「一個完全不懂程式的人，能不能真正讓產品落地」這個命題而生。

還要補一件很重要的事：我跟傳統工程師的思考方式非常不一樣，我們各自擅長完全不同的事情—— 寫高效能的分散式系統、設計優雅的資料結構、debug race condition 到凌晨四點、在 whiteboard 上推演演算法複雜度， 這些都不是我擅長的領域，我也不打算假裝是。但 AI 公司真正缺的，有時候不是再多一個跟現有工程團隊同類型的人，而是 另一種看事情的角度。思考方式的多樣性也是多樣性——而這可能正是我能補上的那塊缺。

順著多樣性這件事，還有一個實務問題你一定會問：我的英文讀寫夠用（能讀英文醫學期刊與技術文件、能寫 email 和 Slack）， 但聽說能力不行。8 年前這是硬傷，2026 年我覺得這個問題其實被誤解了。

理由有兩個。第一，AI 目前是世界上最懂語言的存在——Claude、GPT、Gemini 每一個都是靠語言訓練出來的，語言這件事已經從「人的能力」變成「AI 的主場」。 讀英文文件、寫英文 email、參與英文 Slack 討論，現在全都可以即時走 AI 翻譯，品質夠用。只剩「即時英文語音會議」這塊還是弱項，但這塊的佔比正在快速下降。 第二，中文母語在 AI 協作的 context 層面仍有優勢——不是過去流傳的「中文省 token」（本站六任務實測其實中文比英文多吃 10–60% token）， 而是中文的字元密度讓 context window 能裝下更多資訊：同樣 1M token，中文塞得下約 85 萬字，相當於 3–4 本書的資訊量。「一次對話丟進整份合約、整個 repo、整本手冊讓 AI 分析」這類重度工作流，中文使用者相對吃香。加上我同時能處理簡繁中 / 日文市場內容，這個組合在 APAC 業務上比純英文母語更完整。

傳統的「進外商就得英文流利」是上一個時代的規則。下一個時代的規則是你跟 AI 協作的效率 + 你能解決問題的深度。 在新規則下，我這種「中文母語 + 英文讀寫夠 + 重度 AI 協作」的組合，反而是個穩固的配置——尤其對需要在 APAC / 日本 / 兩岸三地跨市場工作的角色來說。

我自己就是這個命題的活生生例子——如果你們在找這塊拼圖，我可能就是。