← 所有觀點

D · 造 · 2026-08-31

強大的 AI,不等於讓人變強大的 AI

Powerful AI Is Not the Same as AI That Makes People Stronger

情境示意 · 非服務實錄: 用:簡報現場情境示意 · 非服務實錄

強大的 AI,不等於讓人變強大的 AI

前者替你做事,後者讓你長本事。

上週,MIT 校長 Sally Kornbluth 給全校寫了一封信,把生成式 AI 帶給教育與研究的衝擊,稱為 MIT - - 以及整個高等教育 - - 的分水嶺(watershed)。

信裡附上一份專案委員會的最終報告。報告的發現很直接:AI 如今已能可信地完成大多數大學部作業;讀書會、office hours、大學部研究這些學習的基礎經驗,正在被顛覆。

而 MIT 的回應,不是禁用,而是重新設計評量、重回動手學習、要求每一門課明訂 AI 的使用規則。她在信裡提醒:MIT 創校的初衷,是幫助人發展自己的發現、解題與發明能力 - - 這一點永遠不會變。因此 MIT 有責任讓學生知道,何時該用 AI,以及何時完全不該用。

一所深度參與 AI 誕生的大學,在 AI 最強的時候,選擇回頭問:教育的本質是什麼?

(相關文章:MIT President Sally Kornbluth:AI and education — A watershed moment for MIT)

不只是 MIT。

過去一個月,我注意到,身邊一些原本非常狂熱學習、使用 AI 的朋友,反而慢了下來。

不是不用 AI,而是開始更認真地問:

這件事,什麼時候該用 AI?什麼時候反而不該那麼快用?

我不認為這是 AI 退燒,而是人開始成熟。

面對一項真正改變認知工作的科技,我們大概都會經歷「看山是山、看山不是山、看山還是山」:先被能力震撼,再看見依賴與代價,最後才學會有意識地使用。

AI 尤其特殊。過去的科技延伸人的體力、記憶與計算;AI 卻開始直接介入閱讀、寫作、推理、判斷與創造。

所以,第一次大量使用 AI 時,很容易產生一種「我突然變得很厲害」的感覺。它可以幫我們完成:

一份橫跨多領域的文獻探討

一套精彩的 Pitch Deck

一張過去難以圖像化的 framework

一個不會疲倦、可以不斷試錯的 Agent

但慢慢地,一個更重要的問題浮現了:

我是在讓 AI 變強,還是 AI 在讓我變強?

前者,是我不斷把自己的脈絡、資料、問題、指令與 know-how 餵給 AI,讓它更懂我、更能替我工作。

後者,是用了 AI 之後,我自己是否更會提問、更能閱讀與表達、更懂得驗證與判斷,也更有思辨、同理與創造的能力。

產出變強,不等於人變強。

甚至可以用兩個問題檢查每一次 AI 協作:

關掉 AI 之後,我留下了什麼能力? 打開 AI 之後,我是在駕馭它,還是被它駕馭?

這個差別,也開始得到研究支持。

2025 年一項近千名高中生參與的 GPT-4 數學學習實驗發現:使用一般 GPT-4 的學生,練習時表現提升 48%;但拿掉 AI 後,獨立測驗表現反而比沒有使用 AI 的學生低 17%。

但另一組使用「有教學護欄」AI 的學生 - - 例如不直接給完整答案、加入教師設計的引導 - - 練習表現提升更多,而拿掉 AI 後的負面效果則大致消失。

另一項大學物理課的隨機實驗也發現,依照學習科學設計的 AI Tutor,可以帶來顯著更高的學習增益。

兩者共同指向一件重要的事:

決定教育效果的,不只是模型有多強,而是我們把它設計成「代答者」,還是「教練」。

(相關文章:PNAS:Generative AI Can Harm Learning Scientific Reports:AI tutoring and learning gains)

這也是為什麼,Khan Academy、Coursera、Duolingo 等教育科技公司,都不是單純把最強的 LLM 接給學生。

Khanmigo 強調 Socratic questioning;Coursera Coach 把 AI 限定在可信任的課程脈絡;Duolingo 則用程度控制、情境設計與互動流程,把生成式 AI 約束在語言學習目標之內。

好的教育 AI,不只是更會回答問題,而是更知道什麼時候不該直接回答。

而這件事情,在 AI 愈來愈強之後,反而會愈來愈重要。

Bill Gates 最近提出了一個值得教育界認真面對的問題:同樣的 AI,可能讓人學得更多,也可能讓人學得更少;關鍵在於,我們有沒有保留學習真正需要的 productive struggle - - 必要的認知努力。他也主張,AI 的發展方向不能只由科技公司決定,教育者、政府與社會都必須參與。

(相關文章:Bill Gates:A turbulent AI era and the critical choices ahead)

要善用 AI,得先懂大腦

上面這些研究,其實共享同一個科學母題 - - 認知卸載(Cognitive Offloading):當我們把記憶、計算、推理這些原本大腦要做的事,交給外部工具時,大腦會發生什麼變化?

這幾年,我們花了很大的力氣學 AI Literacy:怎麼問、怎麼用、怎麼管理、怎麼創造。

但要善用大腦,我們是不是更該補上另一門課 - - Brain Literacy?

至少要知道:記憶不是硬碟,每一次提取都在重新塑造它;犯錯不是失敗,預測誤差正是大腦更新自己的訊號;所以,答案來得太快,常常等於拿走了學習。

我在醫學院讀過一點神經科學,剛好夠我讀懂這些研究;也剛好夠我承認 - - 我們對大腦的理解,遠遠追不上我們把 AI 送進教室的速度。

教育圈很容易在浪頭上,講一些很夯、但沒有科學基礎的話。Brain Literacy,就是把我們錨回證據的那顆錨。

所以,這一週我在法蘭克福

寫下這篇文章的此刻,我人在德國法蘭克福,參加 Ernst Strüngmann Forum。這場閉門論壇的主題,直譯過來就是 - - 認知卸載時代的記憶、學習與神經適應。

五天,沒有主題演講,只有討論。近五十位神經科學家、認知科學家、學習科學家與教育科技工作者關在一起工作;主席是《學習如何學習》《大腦喜歡這樣學》的作者 Barbara Oakley,以及計算神經科學先驅 Terrence Sejnowski。感謝陽明交大陳鏗任教授的引薦,我有機會以討論人(Discussant)的身分受邀參加。

我來的原因很單純:蓋房子之前,先打地基。 在談台灣的教育 AI 該怎麼做之前,先把「大腦是怎麼學習的」弄得更清楚。

把台灣現場的問題帶去,把世界的科學帶回來。

一場專注把腦科學家、心裡學家與教育科技實務工作者匯聚的只討論不演講的深度聚集

更強的大腦,拼法剛好是 B・R・AI・N

出發前,我給自己準備了一把尺,也打算帶進會場測試。

英文的「大腦」這個字很妙:BRAIN,中間本來就嵌著 AI。 而把整個字攤開來讀,剛好是一句完整的話:

Better Reasoning, AI or Not.

更好的推理 - - 有 AI,沒 AI,都要。

這句話有兩層意思。

有 AI 的時候:用了 AI,我的提問、驗證與判斷,有沒有真的變好?還是只有產出變漂亮? - - 這就是「駕馭,還是被駕馭」。

沒有 AI 的時候:拿掉 AI,能力還在不在? - - 這就是「關掉 AI 之後,我留下了什麼」。前面那個 −17%,量的正是這一半。

而「什麼時候該用 AI、什麼時候不該」,判準也從來不是快不快、炫不炫,而是:

哪一個選擇,會讓我的推理變得更好?

MIT 校長說要教學生「何時完全不該用」,需要的也是這把尺。

我那些慢下來的朋友,心裡其實已經有這把尺了。

AI 可以在大腦裡面 - - 但它的前面,是人的推理;它的後面,是人的獨立。

這,才是真正對大腦有益的 AI 用法。

台灣可以給世界的答案

所以,我的想法是:

強大的 AI,與讓你變強大的 AI,是兩回事。

前者替你做事。後者讓你長本事。

個人層次,我們可以拿這把尺檢查每一次 AI 協作;但系統層次,「讓人變強的 AI」不會自己長出來 - - 得有人把這把尺,變成公共的基礎建設。

而這可能正是教育工作者可以對 AI 時代做出的世界級貢獻。

台灣或許不一定要跟世界競爭誰能訓練出最大的 Foundation Model。

但台灣同時擁有深厚的科技能力,以及長期累積的教育現場與教師智慧(另外還有很重要的學習科學與腦科學)。我們或許可以把這幾件事情結合起來,回答另一個問題:

當模型都愈來愈強,誰來定義什麼才是「好的教育 AI」?

或許,我們能開始建立一套 Model-Agnostic、不綁定 OpenAI、Google、Anthropic 或任何單一模型的教育 AI 公共基礎建設:

TW-Data|師道資料集

Teaching Wisdom Dataset

把好老師如何追問、提示、等待、診斷迷思與鼓勵學生,轉化成 AI 可以學習的教學智慧 - - 也就是老師大腦裡那套「何時該讓學生先動腦、何時才給提示」的判斷。

TW-Bench|師慧基準

Teaching Wisdom Benchmark

不只測 AI 答案對不對,而是測:

用了 AI 之後,人有沒有真的變強?

尤其是 - - 拿掉 AI 之後,能力有沒有留下來。

(TW-Bench 要量的,就是那句話:Better Reasoning, AI or Not。)

TW-Guard|師守護欄

Teaching Wisdom Guardrails

讓任何模型進入教育場景時,都能守住必要的認知努力、年齡適切性、隱私、安全、學術誠信與教師主導權。

(守住的,是讓那句話能夠成立的條件。)

TW 可以是 Teaching Wisdom。

也可以是 Taiwan。

強大的 AI 會愈來愈多,也會愈來愈便宜。

但讓人變強大的 AI,不會自動出現。

它需要教師、學習科學家、工程師、學生與NPO,一起去定義、測試與守護 - -

守護每一顆大腦,有 AI、沒 AI,都能更好地推理。

這或許是 AI 時代,教育真正該做的事,因此或許需要透過跨專業的力量:

不只是把 AI 帶進教育,而是把教育帶進 AI。

___________

註:原文全文由作者撰寫,再由 Claude / GPT 交叉檢核編修。