情境示意 · 非服務實錄[ 當 AI 越來越強,紐約、洛杉磯為什麼反而限制學生用 AI?]
上週,美國的 AI 世界出現了兩幅很不一樣的畫面。
一邊,OpenAI 發表 GPT-6 Astra,Anthropic 推出 Claude Fable 5.1。AI 又往前走了一大步,能完成更複雜的任務,也越來越像一個可以獨立做事的幫手。
另一邊,美國東西兩岸的大型公立學區,卻同時踩下煞車。
紐約禁止幼兒教育至八年級學生直接使用生成式 AI,高中只保留有限、受監督的使用;洛杉磯聯合學區則暫停所有年級學生在學區配發的裝置上使用生成式 AI。這不是禁止所有教育用途的 AI,但確實是對「讓學生直接使用 AI」的大幅收緊。
AI 更強了,學校卻更不敢用了。為什麼?
我覺得,這正好呼應了我上一篇文章的主張:
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。
▍我們擔心的,不是孩子得到幫助,而是孩子失去練習的機會
想像孩子旁邊,站著一位無所不知、隨叫隨到的大人。
孩子還沒想,他就給答案;孩子稍微卡住,他就把事情做完。作文寫得更漂亮,數學作業也全對,但孩子自己練習思考、判斷與修正的機會,可能越來越少。
這個大人越能幹,孩子就一定越能幹嗎?
不一定。有時候,大人的能力,反而遮住了孩子尚未長出的能力。
但我們也不會因此認為,最好的教育,就是把孩子身邊所有能提供幫助的人都請走。
我們真正需要的,是懂得什麼時候示範、什麼時候提示、什麼時候等待,以及什麼時候放手的協助。
AI 也是如此。
當然,AI 不能取代真正的老師與人際關係。但如果要讓它參與教育,我們就不該只問:「它能替學生做多少?」還要問:
「它幫完之後,學生多了什麼能力?」
這不是主張學習越辛苦越好。我們要減少的是不必要的負擔,保留的是能讓能力長出來的思考。
因此,我認為教育 AI——更精確地說,為教學與學習設計的 Pedagogical AI——不能只是把一般聊天機器人搬進教室。
它的優先目標,應該是「讓人變強」,而不是只把「事情做完」。
▍把學習科學,變成 AI 一開始就會做的事
上週我在法蘭克福,和來自神經科學、心理學、教育學及 AI 領域的專家一起討論。
作為現場僅有的兩位教育科技實務工作者之一,我很在意一件事:這些研究,最後能不能變成老師用得上、孩子真正受益的產品設計?
我們討論了三十多項有不同程度學習科學證據支持的原則。我再借助三個前沿 AI 模型協助比對、整理,收斂出附圖(見留言)中的九項共同方向。
不過,三個 AI 都整理出來,不等於科學已經蓋章。
圖中第一項直接引用了生成式 AI 的學習實驗;其他項目主要列的是既有學習科學研究。它們提供了值得嘗試的方向,但放進新的工具、不同年齡與不同課堂後,仍需要重新檢驗。
例如,一項高中數學研究發現:使用一般型 GPT 工具的學生,練習時表現變好;但拿掉 AI 後,獨立測驗的表現反而比未使用者低約 17%。同一研究中,加入保護學習設計的版本,則大幅緩解了這種負面效果。
這不能證明所有 AI 都傷害學習,也不能證明只要加上幾句教學提示,就一定能讓學生變強。
但它提醒我們:「用了 AI」不是一種單一的學習經驗。工具怎麼設計、學生怎麼使用,可能帶來很不一樣的結果。
對均一而言,這九項原則不是一張拿來宣傳的認證表,而是一份產品設計與研究的工作清單。
我們正在朝這個方向調整產品:讓 AI 不只是更快回答,也能適時追問、提供剛剛好的提示、安排練習,並在學生有能力時逐步退場。
而我們必須持續追問的,不只是「使用者喜不喜歡」,還有「他是否真的學會了」。
▍台灣不必在「全面禁用」與「全面衝刺」之間二選一
那麼,台灣的教室到底該不該用 AI?需不需要跟著禁止?
我的看法是:鼓勵探索,不強制上車;保留選擇,也建立底線。
我不認為暫停一定落後。當工具的安全性、年齡適切性與教育效益還不清楚時,暫停可以是負責任的選擇。
但如果政策只剩下一個「禁」字,卻沒有說清楚什麼條件下可以試、要累積什麼證據、什麼時候重新檢討,也可能把有價值的探索一起擋在門外。
同樣地,不能因為 AI 很強,就要求每位老師、每間教室都立刻跟上。
沒有分辨的全面開放,和沒有分辨的全面封鎖,都沒有回答教育真正的問題。
我期待的做法,是提供經過基本安全與教學審查的多元工具,讓有準備、有動機的老師,在適合的年齡、課程與監督條件下先行嘗試;還沒有準備好的老師,則有時間、有支持,也保有不使用的選擇。
「讓有動機的人先跑」,不是讓孩子承擔沒有防護的風險,更不是把尚未準備好的人一起推向未知。
而且,自主不能變成只有資源充足的學校才有選擇。培訓、研究與工具支援,也應該照顧資源不足的現場。
更重要的是,試點不只要交使用率,也要交學習證據。
學生是否更能解釋自己的想法?隔一段時間還記得嗎?換一道題目還能運用嗎?在需要獨立完成時,是否仍然做得到?
韓國 AI 數位教科書從大力推動,到 2025 年被改列為可選擇使用的教育材料,值得我們警惕。這個政策轉折本身,不能被當成「AI 教育無效」的證明;但我的解讀是:制度推進的速度,不應超過現場準備與證據累積的速度。
台灣可以走一條比較務實的路:先試後擴、可進可退,讓產品有機會調整,也讓證據有機會說話。
▍工具還沒成熟時,老師可以怎麼做?
不是一定要等到完美的教育 AI 出現,才能開始做對的事。
附圖最右欄,就是把九項原則轉成教師可以掌握的教學做法。這些做法也不必全部透過學生直接操作 AI;老師可以先用 AI 準備材料,再帶學生進行活動。
1. 讓 AI 考學生、問學生,而不是替學生作答。
用 AI 出題、追問理由、挑戰想法。學生如果一路索取提示,就停下來,請他說明自己目前理解了什麼。
2. 協助要有節奏,也要逐步退場。
由老師掌握何時示範、何時提示,以及何時減少協助。扶手的目的,是幫學生站穩,不是讓他永遠依靠。
3. 不只問「懂了嗎」,也請學生講回來。
讓學生用自己的話解釋、教給別人,或說出解題時的思考過程。
4. 少一點反覆重看,多一點主動回想。
安排低壓力的小測驗,讓學生先試著從記憶中找答案,而不是一直看著答案點頭。
5. 把練習分散,也把舊知識帶回來。
不要把練習全部擠在同一天;新課繼續往前,也持續安排累積性的複習。
6. 初步熟悉後,混合不同題型。
讓學生練習判斷「這題該用哪個方法」,並事先說明:混合練習可能感覺比較難,不代表自己變差了。
7. 把 AI 回饋當討論稿,不是判決書。
師生一起檢查哪些建議合理、哪些需要修正,不因為是 AI 說的就照單全收。
8. 把長內容拆成小段,留下停頓。
讓學生可以暫停、消化、重看,不要用一整面文字或不停播放的內容,把學習者淹沒。
9. 提示要一致,畫面不要搶走注意力。
用清楚的結構與固定線索幫助理解,減少和學習無關的裝飾與干擾。
這些都不是不分年齡、不分程度的鐵律。尤其對新手,先看懂示範,可能比一開始就被要求自己想更重要。
老師的判斷仍然是關鍵。但我們也不能把所有責任都丟給老師:好的產品,應該把這些教學考量做進設計,而不是要求每位老師每天和工具的預設行為搏鬥。
▍台灣有機會貢獻的,不只是另一個 AI 產品
這也是為什麼,我仍然對台灣的教育 AI 很有期待。
但這個期待,不需要建立在其他國家不會做的假設上。
新加坡今年提出的四項國家 AI 任務,聚焦先進製造、交通與物流連結、金融及醫療,沒有單列教育;但新加坡教育部已在學生學習平台 SLS 推動具有教學設計與安全規範的 AI 功能。因此,沒有列在這四項任務中,不等於沒有投入教育 AI。
美國也有可汗學院等組織,持續探索以學習為中心的 AI。 至於中國或任何國家的產品,能否走向世界,我認為都應該看它能否跨越語言、課程、文化與信任的門檻,而不是只用國籍下結論。
台灣的機會,不是等別人缺席,而是選擇把一件重要的事做深。
我真正看見的空間是:最容易帶來商業回報的 AI,不一定就是最值得教育投入的 AI。
幫助孩子建立基礎、陪伴學習落後者、追蹤長期成效、公開哪些方法無效——這些工作,我們不能只期待市場自動替我們完成。
這正是公共教育、研究機構與公益組織值得一起承擔的任務。
如果台灣能讓老師、研究者與產品團隊共同工作,把真實課堂裡的問題轉成設計,再把設計轉成可信的證據,我們就有機會輸出不只是產品,而是:
讓不同國家都能使用、檢驗與改進的教育 AI 方法。
這次在德國,五十人的國際會議中,就有四位台灣與會者,另外還遇到一位來自台灣的與會者家屬。這當然不是任何全球排名的證明,卻讓我很具體地感受到:台灣的人,可以在這場跨領域的對話裡,扮演超過人口比例的角色。
所以,如果我們把「成為全球對教育 AI 貢獻最多的國家」當成一個目標,甚至暫時拿掉「之一」,不是因為我們已經贏了,而是因為這件事,值得我們認真承擔。
世界,尤其是中美正在競賽,誰能讓 AI 更強。
台灣可以同時追問另一個問題:誰能讓使用 AI 的人,真正變強?
我們不只要把 AI 帶進教育,更要把教育帶進 AI。
教育 AI 最值得追求的突破,不是讓下一代更少需要思考,而是讓下一代更有能力思考。
- 原文:呂冠緯個人臉書貼文(2026-09-07 發表)
課程名稱依來源顯示,授課語言請見課程頁。