Illustration · not a service record強力な AI は、人を強くする AI と同じではない
前者はあなたの代わりに仕事をこなし、後者はあなたに実力をつけさせる。
先週、MIT の Sally Kornbluth 学長が全学に宛てて一通の書簡を書き、生成 AI が教育と研究にもたらす衝撃を、MIT にとって、そして高等教育全体にとっての分水嶺(watershed)と呼んだ。
書簡には、ある特別委員会の最終報告書が添えられていた。報告書の所見は率直だ。AI はいまや、学部の課題の大半を信頼に足る水準でこなせる。勉強会、オフィスアワー、学部生の研究といった学びの基礎となる経験が、覆されつつある。
そして MIT の対応は、使用禁止ではなかった。評価を設計し直し、手を動かす学びに立ち返り、すべての授業に AI の使用ルールを明記するよう求めることだった。学長は書簡の中でこう念を押している。MIT 創立の原点は、人が自らの発見、問題解決、発明の力を伸ばすのを助けることにあり、この点は永遠に変わらない。だからこそ MIT には、いつ AI を使うべきか、そしていつまったく使うべきでないかを学生に知らせる責任がある、と。
AI の誕生に深く関わってきた大学が、AI が最も強くなったこの時に、立ち返って問うことを選んだ。教育の本質とは何か?
(関連記事:MIT President Sally Kornbluth「AI and education — A watershed moment for MIT」)
MIT だけではない。
この一か月、私は気づいた。身の回りで、もともと熱狂的に AI を学び、使っていた友人たちの何人かが、かえってペースを落としているのだ。
AI を使わなくなったのではない。より真剣に、こう問い始めたのである。
このことについて、いつ AI を使うべきなのか?いつは、むしろそんなに早く使うべきではないのか?
私はこれを AI 熱が冷めたのだとは思わない。人が成熟し始めたのだと思う。
認知的な仕事を本当に変えてしまう技術を前にすると、私たちはおそらく誰もが「山を見れば山、山を見ても山ではない、山を見ればやはり山」という道筋をたどる。まずその能力に圧倒され、次に依存と代償が見えてきて、最後にようやく意識的に使うことを学ぶ。
AI はとりわけ特殊だ。これまでの技術は人の体力、記憶、計算を拡張してきた。ところが AI は、読むこと、書くこと、推論、判断、創造に直接入り込み始めている。
だから、初めて AI を大量に使うと、「自分は突然すごくなった」という感覚を抱きやすい。AI は次のようなものを仕上げる手助けをしてくれる。
多くの分野にまたがる文献レビュー
見事なピッチデック
これまで図にしにくかったフレームワークを表す一枚の図
疲れを知らず、試行錯誤を繰り返せるエージェント
しかし少しずつ、もっと重要な問いが浮かび上がってきた。
私が AI を強くしているのか、それとも AI が私を強くしているのか?
前者は、私が自分の文脈、データ、問い、指示、ノウハウを絶えず AI に与え、AI が私をより深く理解し、私の代わりにより多くの仕事をこなせるようにすることだ。
後者は、AI を使ったあと、私自身がより上手に問い、より良く読み、表現できるようになったか、検証と判断がより分かるようになったか、そして批判的に考える力、共感する力、創造する力がより備わったかということだ。
アウトプットが強くなることは、人が強くなることと同じではない。
さらに言えば、二つの問いで AI との協働を毎回点検することもできる。
AI を閉じたあと、私にはどんな能力が残ったのか?AI を開いたあと、私が AI の手綱を握っているのか、それとも AI に手綱を握られているのか?
この違いは、研究によっても裏づけられ始めている。
2025 年、千人近い高校生が参加した GPT-4 による数学学習の実験で、次のことが分かった。通常の GPT-4 を使った生徒は、練習時の成績が 48% 向上した。しかし AI を取り上げたあと、自力で受けたテストの成績は、AI を使わなかった生徒よりかえって 17% 低かった。
一方、別のグループの生徒は「教育的なガードレールを備えた」AI を使った。たとえば、完全な答えを直接は与えず、教師が設計した導きを組み込んだものだ。こちらは練習時の成績がさらに大きく伸び、AI を取り上げたあとのマイナスの影響もほぼ消えた。
大学の物理の授業で行われた別のランダム化実験でも、学習科学に基づいて設計された AI チューターは、有意に大きな学習の伸びをもたらしうることが分かった。
二つの研究は、ともに一つの重要なことを指し示している。
教育の効果を決めるのは、モデルがどれだけ強いかだけではない。私たちがそれを「代わりに答える者」として設計するのか、それとも「コーチ」として設計するのかである。
(関連記事:PNAS「Generative AI Can Harm Learning」、Scientific Reports「AI tutoring and learning gains」)
Khan Academy、Coursera、Duolingo といった教育テクノロジー企業が、いずれも最強の LLM をただ生徒や学生につなぐだけにしていないのも、このためだ。
Khanmigo は Socratic questioning(ソクラテス式問答)を重視する。Coursera Coach は AI を信頼できる講座の文脈の中に限定する。Duolingo はレベルの調整、場面の設計、対話の流れによって、生成 AI を語学学習の目標の範囲内にとどめている。
良い教育 AI とは、質問により上手に答えるだけのものではない。いつ直接答えるべきでないかを、よりよく知っているものだ。
そしてこのことは、AI が強くなればなるほど、かえってますます重要になる。
Bill Gates は最近、教育界が真剣に向き合うべき問題を提起した。同じ AI が、人により多くを学ばせることもあれば、より少なくしか学ばせないこともある。鍵は、学びが本当に必要とする productive struggle、すなわち必要な認知的努力を、私たちが残しているかどうかにある。彼はまた、AI の発展の方向をテクノロジー企業だけで決めてはならず、教育者、政府、社会がそろって関わらなければならないと主張している。
(関連記事:Bill Gates「A turbulent AI era and the critical choices ahead」)
AI をうまく使うには、まず脳を知らなければならない
ここまでに挙げた研究は、実は同じ一つの科学的テーマを共有している。認知的オフローディング(Cognitive Offloading)である。記憶、計算、推論といった、本来は脳が行うはずのことを外部の道具に任せたとき、脳にはどんな変化が起きるのか?
この数年、私たちは大きな力を注いで AI Literacy を学んできた。どう問うか、どう使うか、どう管理するか、どう創造するか。
しかし脳をうまく使うためには、もう一つの科目、Brain Literacy をなおさら補うべきではないだろうか?
少なくとも、次のことは知っておくべきだ。記憶はハードディスクではなく、取り出すたびに作り直されている。間違えることは失敗ではなく、予測誤差こそが、脳が自らを更新するための信号である。だから、答えが早く来すぎることは、しばしば学びを奪い去ることに等しい。
私は医学部で神経科学を少し学んだ。これらの研究を読み解くのにちょうど足りる程度であり、そして、こう認めるのにもちょうど足りる程度だ。脳についての私たちの理解は、AI を教室に送り込む速さに遠く追いついていない。
教育界は波の頂にいるとき、流行ってはいるが科学的根拠のないことを語りがちだ。Brain Literacy は、私たちをエビデンスへとつなぎ留め直す、その錨である。
だから今週、私はフランクフルトにいる
この文章を書いているいま、私はドイツのフランクフルトにいて、Ernst Strüngmann Forum に参加している。この非公開フォーラムのテーマは、直訳すればこうなる。認知的オフローディングの時代における記憶、学習、神経適応。
五日間、基調講演はなく、あるのは討論だけだ。五十人近い神経科学者、認知科学者、学習科学者、教育テクノロジーの実務家が、一か所にこもって共に作業する。議長は『Learning How to Learn』『A Mind for Numbers』の著者 Barbara Oakley と、計算論的神経科学の先駆者 Terrence Sejnowski である。陽明交通大学の陳鏗任教授の紹介のおかげで、私は討論者(Discussant)として招かれ、参加する機会を得た。
私が来た理由は単純だ。家を建てる前に、まず基礎を打つ。台湾の教育 AI をどう進めるべきかを語る前に、まず「脳はどのように学ぶのか」をもっとはっきりさせる。
台湾の現場の問いを持って行き、世界の科学を持ち帰る。
脳科学者、心理学者、教育テクノロジーの実務家を一堂に集めることに特化した、討論だけで講演のない深い集い
より強い脳、その綴りはちょうど B・R・AI・N
出発前、私は自分のために一本の物差しを用意した。会場に持ち込んで試してみるつもりでもある。
英語で「脳」を表す単語は実に面白い。BRAIN には、もともと真ん中に AI が埋め込まれている。そして単語全体を広げて読むと、ちょうど一つの完結した文になる。
Better Reasoning, AI or Not.(より良い推論を、AI があってもなくても。)
より良い推論を。AI があっても、AI がなくても、どちらでも必要だ。
この言葉には二層の意味がある。
AI があるとき。AI を使って、私の問い、検証、判断は本当に良くなったのか?それとも見栄えが良くなったのはアウトプットだけなのか?これが「手綱を握っているのか、握られているのか」である。
AI がないとき。AI を取り上げても、能力は残っているのか?これが「AI を閉じたあと、私に何が残ったのか」である。先ほどの −17% が測っているのは、まさにこちらの半分だ。
そして「いつ AI を使うべきで、いつ使うべきでないか」の判断基準も、速いかどうか、派手かどうかであったことは一度もない。基準はこうだ。
どちらの選択が、私の推論をより良くするのか?
MIT の学長が、学生に「いつまったく使うべきでないか」を教えなければならないと言うとき、必要なのもこの物差しだ。
ペースを落とした私の友人たちは、実は心の中にすでにこの物差しを持っている。
AI は脳の中にあってよい。ただし、その前にあるのは人の推論であり、その後ろにあるのは人の自立である。
これこそが、本当に脳のためになる AI の使い方だ。
台湾が世界に示せる答え
だから、私の考えはこうだ。
強力な AI と、あなたを強くする AI は、別々のものだ。
前者はあなたの代わりに仕事をこなす。後者はあなたに実力をつけさせる。
個人のレベルでは、私たちはこの物差しで AI との協働を毎回点検できる。しかしシステムのレベルでは、「人を強くする AI」はひとりでに生えてはこない。誰かがこの物差しを、公共のインフラに変えなければならない。
そしてこれこそが、教育に携わる者が AI 時代に対して果たせる世界レベルの貢献なのかもしれない。
台湾は、誰が最大の Foundation Model を訓練できるかを世界と競う必要は、必ずしもないのかもしれない。
しかし台湾は、厚みのある技術力と、長年にわたって蓄積されてきた教育現場と教師の知恵とを、あわせ持っている(加えて、とても重要な学習科学と脳科学もある)。私たちはこれらを組み合わせることで、もう一つの問いに答えられるかもしれない。
モデルがどれもますます強くなっていくとき、何が「良い教育 AI」なのかを誰が定義するのか?
あるいは私たちは、Model-Agnostic で、OpenAI、Google、Anthropic、あるいはいかなる単一のモデルにも縛られない、教育 AI の公共インフラを築き始めることができるかもしれない。
TW-Data|師道データセット
Teaching Wisdom Dataset(教える知恵のデータセット)
優れた教師がどのように問いを重ね、ヒントを出し、待ち、誤概念を診断し、生徒を励ますのかを、AI が学べる教える知恵へと変換する。つまり、教師の脳の中にある「いつ生徒にまず頭を使わせ、いつになってヒントを出すのか」という、あの判断のことだ。
TW-Bench|師慧ベンチマーク
Teaching Wisdom Benchmark(教える知恵のベンチマーク)
AI の答えが正しいかどうかを測るだけではない。測るのはこれだ。
AI を使ったあと、人は本当に強くなったのか?
とりわけ、AI を取り上げたあとに、能力が残っているかどうか。
(TW-Bench が測ろうとするのは、まさにあの言葉、Better Reasoning, AI or Not である。)
TW-Guard|師守ガードレール
Teaching Wisdom Guardrails(教える知恵のガードレール)
どんなモデルが教育の場に入ってくるときにも、必要な認知的努力、年齢への適切さ、プライバシー、安全、学術的誠実さ、そして教師の主導権を守り抜けるようにする。
(守るのは、あの言葉が成り立つための条件である。)
TW は Teaching Wisdom でありうる。
Taiwan でもありうる。
強力な AI はますます増え、ますます安くなっていく。
しかし、人を強くする AI は、自動的には現れない。
それには、教師、学習科学者、エンジニア、生徒や学生、NPO が、ともに定義し、試し、守っていくことが必要だ。
一つひとつの脳が、AI があってもなくても、より良く推論できるように守るのである。
これこそが、AI 時代に教育が本当になすべきことなのかもしれない。だからこそ、専門の垣根を越えた力を通じて進める必要があるのかもしれない。
AI を教育に持ち込むだけでなく、教育を AI に持ち込むことだ。
___________
注:原文は全文を筆者が執筆し、その後 Claude / GPT によるクロスチェックと編集を経ている。
- 原文:呂冠緯(Ray Lu)個人の Facebook 投稿(2026年8月31日公開)
講座名は提供元の表記です。受講言語は各講座のページでご確認ください。
Dissecting the Crawfish: How AI Agents Work, via OpenClaw
An OpenClaw-based introduction to how AI agents work. Free public lecture; no self-study certificate. Costs of independently using external models or tools are separate.
Introduction to Model Context Protocol
Build MCP servers and clients with Python tools, resources, and prompts. Python/async familiarity required; connected model API usage may incur charges.