當 AI 替我們思考，人還需要練習什麼？
當答案可以快速生成，學習的意義不能只靠速度或產出證明。M.K. 從理解、練習與選擇出發，討論如何在技術焦慮下保留能力形成，而不是把學習變成與模型競賽。
當 AI 幾秒鐘就能寫出一份完整答案，慢慢讀、反覆試、甚至花時間犯錯，很容易顯得不划算。技術焦慮最深的地方，也許不只是怕被取代，而是開始懷疑：自己的練習還有什麼意義？
我認為答案不在於找到一項「AI 永遠做不到」的技能。學習的意義，是讓我們有能力理解正在做的事，選擇值得追求的方向，並在情境改變時重新判斷。 模型可以生成結果，卻不會因此把這些能力自動交給使用者。
這篇不評估 AI 能提高多少教育成效，而是討論：當工具變強，我們如何安排自己的練習，才不會只把能力形成換成成品取得？
完成作品，和長出能力，是兩件事
假設一位學習者請 AI 解釋一個概念，得到漂亮的答案，也能照著念。這是教學情境示例，不是研究結果。如果換一個例子，他卻不知道概念是否適用，便顯示「取得說明」和「形成理解」尚有距離。
同樣地，拿到可執行的程式，不等於能說明它如何處理例外；取得一份論述，不等於知道證據如何支撐結論。這些距離不表示 AI 沒有價值，而是提醒我們先分清楚今天的任務。
如果目的是完成低風險瑣事，省下過程可能正是好處。如果目的是學會判斷，那些看似慢的過程便有不同價值。問題不在於用了多少 AI，而在於工具有沒有跳過我們打算建立的能力。
UNESCO 的學生 AI 能力框架把以人為中心、倫理與技術能力共同放進教育目標。它提供的是課程與能力方向，不能被當成某種練習法已經提高成績的實驗證明。
先決定今天練的是什麼
我建議把學習任務說得比「做完」更清楚。今天練的是提出問題、理解概念、找出錯誤、解釋選擇，還是把方法用在陌生情境？不同目的，應有不同的工具使用方式。
例如，練習提出問題時，可以先由人寫下疑問，再請 AI 提出另一種切法；練習理解概念時，可以先試著解釋，再用 AI 的說明比對差異；練習修正時，可以讓它提供批評，但由自己決定哪一點值得改。
這不是宣稱「先不用 AI」在所有情境都最好，而是保留一個可辨認的起點。若我們從未表達過自己的理解，便很難知道之後讀到的流暢答案，究竟增加了什麼。
對需要無障礙支援、翻譯或其他協助的人，工具可能正是參與學習的必要條件。保留自主嘗試不等於撤掉支援，更不能把沒有協助當作唯一公平的學習方式。
讓工具提出差異，而不只提供答案
AI 最容易被使用的方式，是讓它給我們一個看起來可以交出去的成品。但在學習裡，它也可以被用來暴露差異：同一個問題有哪幾種答案？哪些假設改變後，原答案就不成立？我的說明缺了哪個步驟？
我會把它當成可質疑的對照者。它的批評仍可能錯，也可能重複我原本的偏見；有關事實與原理的判斷，仍要回到可信資料或合適的人。
UNESCO 對生成式 AI 的教育與研究指引提供以人為中心的治理方向；我的延伸是，工具使用應保留學習者能提出疑問、比較及拒絕的空間。這是教學設計立場，不是所有人都適用的固定步驟。
有時，最有價值的結果不是得到標準答案，而是找到一個自己原本沒看見的問題。這能讓練習從被動接收，回到主動理解。
用新的情境，檢查理解是否真的屬於自己
我提出一個簡單的練習安排：先做一次自己的嘗試，再比較 AI 的理由，最後換個情境，重新用自己的話說明。它不是經過本文驗證的教學療效，也不是考試評量標準，只是一種讓理解更可見的方法。
比方說，閱讀一個工作決策案例後，不只重述結論，而是問：如果對象、時間或成本不同，我還會選相同答案嗎？哪些條件不能改？哪一步我還不懂？
不必每次都做完整流程。真正重要的是留下自己能解釋的部分，知道哪些地方仍靠工具或他人支援。坦白說「這裡我還不能獨立完成」，往往比假裝已掌握全部更接近學習。
這也讓我們重新看待犯錯。能找到錯誤、說明原因並修正，並不是產出失敗；它可能正是能力形成的可見過程。但不必要的挫折同樣會消耗人，練習應有支持、適當難度與可回來修正的機會。
不要把一生變成追逐模型的考試
若學習的唯一目的，是證明自己比最新模型快，我們便把價值交給了一場不斷換標準的競賽。今天安全的技能，明天可能被改寫；人也容易把每次更新當成對自己的否定。
我更希望學習回到自己願意承擔的事情：理解一門工作、照顧一段關係、完成一個創作、為共同生活提出更好的問題。這些目的會使用工具，也需要經驗與反思，但不必每一刻都用模型排名衡量。
年輕人對 AI 的警惕提醒我們，能力尚在形成時，過度比較可能侵蝕努力的意義。此處的回答不是逼人接受，而是讓練習仍有可感覺的進展：我能說得更清楚，能辨認另一個條件，能修正一個錯誤，也能和別人完成以前做不到的事。
未來一年，我會觀察學習安排是否保留獨立解釋與換情境的機會，是否容許揭露不懂，以及人能否在使用工具後仍說明自己的取捨。若這些能力沒有成長，即使作品更多，也不能只憑產出宣稱學習更好。
選一個你在意的學習問題，先寫下目前理解，再請 AI 挑戰其中一個假設，最後自己補上一段理由。 不必贏過機器，先讓每次使用都留下屬於自己的理解。
常見問題
用 AI 得到好答案，就等於學會了嗎？
還要看能否解釋、修正，並在不同條件下使用。成品品質與能力形成不能只靠同一個結果判定。
練習前一定要禁止 AI 嗎？
不一定。可以依學習目的安排工具參與，並保留必要支援。先嘗試是本文的練習建議，不是適用所有人的強制規則。
這些方法已證明提高教育成效嗎？
本文沒有進行成效研究。它提出可討論的學習安排，效果仍需依學習者、任務及實際證據判斷。
資料與延伸閱讀
來源於 2026 年 10 月 14 日重新查閱。本文不把政策框架當成學習成效實驗，也不聲稱已驗證特定教學法。