情境示意 · 非服務實錄强大的 AI,不等于让人变强大的 AI
前者替你做事,后者让你长本事。
上周,MIT 校长 Sally Kornbluth 给全校写了一封信,把生成式 AI 带给教育与研究的冲击,称为 MIT - - 以及整个高等教育 - - 的分水岭(watershed)。
信里附上一份专案委员会的最终报告。报告的发现很直接:AI 如今已能可信地完成大多数大学部作业;读书会、office hours、大学部研究这些学习的基础经验,正在被颠覆。
而 MIT 的回应,不是禁用,而是重新设计评量、重回动手学习、要求每一门课明订 AI 的使用规则。她在信里提醒:MIT 创校的初衷,是帮助人发展自己的发现、解题与发明能力 - - 这一点永远不会变。因此 MIT 有责任让学生知道,何时该用 AI,以及何时完全不该用。
一所深度参与 AI 诞生的大学,在 AI 最强的时候,选择回头问:教育的本质是什么?
(相关文章:MIT President Sally Kornbluth:AI and education — A watershed moment for MIT)
不只是 MIT。
过去一个月,我注意到,身边一些原本非常狂热学习、使用 AI 的朋友,反而慢了下来。
不是不用 AI,而是开始更认真地问:
这件事,什么时候该用 AI?什么时候反而不该那么快用?
我不认为这是 AI 退烧,而是人开始成熟。
面对一项真正改变认知工作的科技,我们大概都会经历「看山是山、看山不是山、看山还是山」:先被能力震撼,再看见依赖与代价,最后才学会有意识地使用。
AI 尤其特殊。过去的科技延伸人的体力、记忆与计算;AI 却开始直接介入阅读、写作、推理、判断与创造。
所以,第一次大量使用 AI 时,很容易产生一种「我突然变得很厉害」的感觉。它可以帮我们完成:
一份横跨多领域的文献探讨
一套精彩的 Pitch Deck
一张过去难以图像化的 framework
一个不会疲倦、可以不断试错的 Agent
但慢慢地,一个更重要的问题浮现了:
我是在让 AI 变强,还是 AI 在让我变强?
前者,是我不断把自己的脉络、资料、问题、指令与 know-how 喂给 AI,让它更懂我、更能替我工作。
后者,是用了 AI 之后,我自己是否更会提问、更能阅读与表达、更懂得验证与判断,也更有思辨、同理与创造的能力。
产出变强,不等于人变强。
甚至可以用两个问题检查每一次 AI 协作:
关掉 AI 之后,我留下了什么能力? 打开 AI 之后,我是在驾驭它,还是被它驾驭?
这个差别,也开始得到研究支持。
2025 年一项近千名高中生参与的 GPT-4 数学学习实验发现:使用一般 GPT-4 的学生,练习时表现提升 48%;但拿掉 AI 后,独立测验表现反而比没有使用 AI 的学生低 17%。
但另一组使用「有教学护栏」AI 的学生 - - 例如不直接给完整答案、加入教师设计的引导 - - 练习表现提升更多,而拿掉 AI 后的负面效果则大致消失。
另一项大学物理课的随机实验也发现,依照学习科学设计的 AI Tutor,可以带来显著更高的学习增益。
两者共同指向一件重要的事:
决定教育效果的,不只是模型有多强,而是我们把它设计成「代答者」,还是「教练」。
(相关文章:PNAS:Generative AI Can Harm Learning Scientific Reports:AI tutoring and learning gains)
这也是为什么,Khan Academy、Coursera、Duolingo 等教育科技公司,都不是单纯把最强的 LLM 接给学生。
Khanmigo 强调 Socratic questioning;Coursera Coach 把 AI 限定在可信任的课程脉络;Duolingo 则用程度控制、情境设计与互动流程,把生成式 AI 约束在语言学习目标之内。
好的教育 AI,不只是更会回答问题,而是更知道什么时候不该直接回答。
而这件事情,在 AI 愈来愈强之后,反而会愈来愈重要。
Bill Gates 最近提出了一个值得教育界认真面对的问题:同样的 AI,可能让人学得更多,也可能让人学得更少;关键在于,我们有没有保留学习真正需要的 productive struggle - - 必要的认知努力。他也主张,AI 的发展方向不能只由科技公司决定,教育者、政府与社会都必须参与。
(相关文章:Bill Gates:A turbulent AI era and the critical choices ahead)
要善用 AI,得先懂大脑
上面这些研究,其实共享同一个科学母题 - - 认知卸载(Cognitive Offloading):当我们把记忆、计算、推理这些原本大脑要做的事,交给外部工具时,大脑会发生什么变化?
这几年,我们花了很大的力气学 AI Literacy:怎么问、怎么用、怎么管理、怎么创造。
但要善用大脑,我们是不是更该补上另一门课 - - Brain Literacy?
至少要知道:记忆不是硬碟,每一次提取都在重新塑造它;犯错不是失败,预测误差正是大脑更新自己的讯号;所以,答案来得太快,常常等于拿走了学习。
我在医学院读过一点神经科学,刚好够我读懂这些研究;也刚好够我承认 - - 我们对大脑的理解,远远追不上我们把 AI 送进教室的速度。
教育圈很容易在浪头上,讲一些很夯、但没有科学基础的话。Brain Literacy,就是把我们锚回证据的那颗锚。
所以,这一周我在法兰克福
写下这篇文章的此刻,我人在德国法兰克福,参加 Ernst Strüngmann Forum。这场闭门论坛的主题,直译过来就是 - - 认知卸载时代的记忆、学习与神经适应。
五天,没有主题演讲,只有讨论。近五十位神经科学家、认知科学家、学习科学家与教育科技工作者关在一起工作;主席是《学习如何学习》《大脑喜欢这样学》的作者 Barbara Oakley,以及计算神经科学先驱 Terrence Sejnowski。感谢阳明交大陈铿任教授的引荐,我有机会以讨论人(Discussant)的身分受邀参加。
我来的原因很单纯:盖房子之前,先打地基。 在谈台湾的教育 AI 该怎么做之前,先把「大脑是怎么学习的」弄得更清楚。
把台湾现场的问题带去,把世界的科学带回来。
一场专注把脑科学家、心里学家与教育科技实务工作者汇聚的只讨论不演讲的深度聚集
更强的大脑,拼法刚好是 B・R・AI・N
出发前,我给自己准备了一把尺,也打算带进会场测试。
英文的「大脑」这个字很妙:BRAIN,中间本来就嵌着 AI。 而把整个字摊开来读,刚好是一句完整的话:
Better Reasoning, AI or Not.
更好的推理 - - 有 AI,没 AI,都要。
这句话有两层意思。
有 AI 的时候:用了 AI,我的提问、验证与判断,有没有真的变好?还是只有产出变漂亮? - - 这就是「驾驭,还是被驾驭」。
没有 AI 的时候:拿掉 AI,能力还在不在? - - 这就是「关掉 AI 之后,我留下了什么」。前面那个 −17%,量的正是这一半。
而「什么时候该用 AI、什么时候不该」,判准也从来不是快不快、炫不炫,而是:
哪一个选择,会让我的推理变得更好?
MIT 校长说要教学生「何时完全不该用」,需要的也是这把尺。
我那些慢下来的朋友,心里其实已经有这把尺了。
AI 可以在大脑里面 - - 但它的前面,是人的推理;它的后面,是人的独立。
这,才是真正对大脑有益的 AI 用法。
台湾可以给世界的答案
所以,我的想法是:
强大的 AI,与让你变强大的 AI,是两回事。
前者替你做事。后者让你长本事。
个人层次,我们可以拿这把尺检查每一次 AI 协作;但系统层次,「让人变强的 AI」不会自己长出来 - - 得有人把这把尺,变成公共的基础建设。
而这可能正是教育工作者可以对 AI 时代做出的世界级贡献。
台湾或许不一定要跟世界竞争谁能训练出最大的 Foundation Model。
但台湾同时拥有深厚的科技能力,以及长期累积的教育现场与教师智慧(另外还有很重要的学习科学与脑科学)。我们或许可以把这几件事情结合起来,回答另一个问题:
当模型都愈来愈强,谁来定义什么才是「好的教育 AI」?
或许,我们能开始建立一套 Model-Agnostic、不绑定 OpenAI、Google、Anthropic 或任何单一模型的教育 AI 公共基础建设:
TW-Data|师道资料集
Teaching Wisdom Dataset
把好老师如何追问、提示、等待、诊断迷思与鼓励学生,转化成 AI 可以学习的教学智慧 - - 也就是老师大脑里那套「何时该让学生先动脑、何时才给提示」的判断。
TW-Bench|师慧基准
Teaching Wisdom Benchmark
不只测 AI 答案对不对,而是测:
用了 AI 之后,人有没有真的变强?
尤其是 - - 拿掉 AI 之后,能力有没有留下来。
(TW-Bench 要量的,就是那句话:Better Reasoning, AI or Not。)
TW-Guard|师守护栏
Teaching Wisdom Guardrails
让任何模型进入教育场景时,都能守住必要的认知努力、年龄适切性、隐私、安全、学术诚信与教师主导权。
(守住的,是让那句话能够成立的条件。)
TW 可以是 Teaching Wisdom。
也可以是 Taiwan。
强大的 AI 会愈来愈多,也会愈来愈便宜。
但让人变强大的 AI,不会自动出现。
它需要教师、学习科学家、工程师、学生与NPO,一起去定义、测试与守护 - -
守护每一颗大脑,有 AI、没 AI,都能更好地推理。
这或许是 AI 时代,教育真正该做的事,因此或许需要透过跨专业的力量:
不只是把 AI 带进教育,而是把教育带进 AI。
___________
注:原文全文由作者撰写,再由 Claude / GPT 交叉检核编修。