AI 時代要學什麼？我們不能外包給 AI 的高階思維能力

最近聽了海碩校長的一場線上演講，主題是「AI 時代的學習力」。一開始他提到，ChatGPT 問世的時候，他作為語言教學專家，感到極度恐懼 。


像那種 AI 隨便按兩下，產出品質都比人類好，那種驚艷又帶著恐懼的感受，相信我們大家都經歷過。



 

海碩校長跟我們分享，他設計這堂 「在 AI 時代如何學習」 線上課的設計思路  ：


首先校長先統整全球 22 個單位的核心技能框架，梳理出從現在到 2050 年都不會貶值的能力，再從如何高效學習（像費曼技巧、記憶宮殿這些）這些學習科學的方法，轉化成 AI 時代的新學習法。


最後往前推到如何避免大腦傷害、以及基本的大腦科學。這真的是一堂非常豐富的線上課。


 

而這篇文章，我想跟你分享，我從課程分享當中的三個覺察及反思 。





 

1. 不要追工具，切分自己的工作技能，找到適合的模型或軟體

 

AI 工具真的追不完，今天學會這個，明天又有哪個模型升級，追工具真的是一條沒有終點的路。

 

所以我自己目前是 ChatGPT、Claude、Gemini 等等都有訂閱。


因為我有自己的工作流程，我會知道哪一個流程、要做哪一件工作，哪一個模型的專長與產出最好，我也在每一個模型裡做出許多 skill 來執行  。

 

所以通常做出來，大約所有的模型，其實都會跑出一輪，這就好像找適合的員工做適合的事情，而且我已經訓練過他們各自要做什麼就好。我真的不會想要一個模型從頭做到尾。


這樣的方式，對我來說，最大的幫助，就是不會每次產出的結果都不一樣，也不會因為每個模型的專長不同，某一個步驟產生出來的結果不好。


如果你對於 skill 的撰寫有興趣，歡迎閱讀我這篇 〈Prompt 提示詞全攻略，打造專屬 AI 智囊團〉 讓你有更好的底層認識 






 

2.  AI時代的學習方式已經改變

我自己最明顯的感受是，我反而利用 AI 學得更多，讓我更深入地跨領域學習。

 

以前讀一本書，讀到不懂、或感覺邏輯不對的地方，都只能跳過，或自己想一想而已。但現在我可以一個章節一個章節跟 AI 討論，追問、反駁、換角度理解。

 

甚至很多書裡故事或邏輯不通順的地方，我都可以做出工具或框架讓自己使用。這是以前根本不可能的事。


 

把上面這兩點放在一起，引發了我另一個更深入的問題 ：


 

如果 AI 能幫我們生成、整理、解釋，那我們到底要學什麼？什麼是 AI 無法替代、非要我們自己來的呢？

這個問題我想了很久。後來忽然想到，其實有一件事一定得我們自己做，那就是「負責」。

如果你對於 AI 學習有興趣，歡迎你閱讀我 《職場人的生成式 AI 工作法》：從助理到協思  這篇文章，讓你更有效的使用 AI 進行學習  


 

圖二 如何利用AI協助我們學習知識圖卡



 

3. 我們得對自己的判斷與行為負責，而 AI 並不需要

 

想想看，AI 可以幫我們生成方案、做各種分析、列出優劣比較，但最後拍板的是我們。


而方案出了問題，承擔後果的是我耶，不是 AI，它可以拍拍屁股就告訴你：我只是一個生成工具。所以這表示，我們一定要有判斷力，看得出來它做得好不好、有哪些要改。

 

想想看，如果 AI 給了我們一個爛方案，結果我們連它爛在哪裡都看不出來，我們怎麼叫它改？更危險的是，我們可能根本不知道那是爛的，就直接拿去用了。

 

像我自己寫文章就特別有體會，每次找 AI 生成內容，我從來沒辦法直接用，都要來來回回跟他討論超久。我覺得這裡很差、那裡邏輯不對、這邊應該怎麼改。


如果我們自己想不清楚什麼是好的、什麼是壞的，其實很難要它改到品質好，因為根本不知道從何改起。


 

而這不只是我自己的感受，之前看了 一個實驗研究 的論文  ：


讓學生用 ChatGPT 解決複雜問題，結果發現 AI 作為評估工具，比作為生成工具更有效。也就是說，讓學生去判斷、修正 AI 的產出，比讓 AI 直接幫你做，學到的東西更多。

 

像美國就有數學老師這麼做了，作業並不是讓學生做題，而是「找出 AI 解題步驟裡的錯誤」。把 AI 不擅長數學的缺點，反過來變成訓練學生判斷力的教學優勢。

 

所以深入思考是很重要的能力。如果我們不會深入思考，那用什麼模型其實都一樣，因為我們根本沒辦法調整跟運用，有時候可能還會覺得它很差。

從這個問題往下想，我覺得還可以再追一層：判斷力是結果層面，那過程呢？思考的過程本身，能不能省掉？

如果你對於判斷力的框架有興趣，我有一篇 《高效判斷的框架》：六大支柱打造決策思考系統 ，讓你更有系統的提升判斷力 


 

圖二 如何利用AI協助我們學習知識圖卡


 

 

4. 大腦與 AI 的半人機協作

海碩校長在課程中提了一個原則叫「先人後機」：永遠是大腦先動，AI 再輔助。並不是不用 AI，而是順序不能反過來 。

因為大腦被訓練成追求極速、尋找標準答案的模式，這種帶著這種習慣用 AI，會讓大腦會慣性直奔答案，跳過整個思考流程。而跳過的並不只是想了一下，而是大腦形成長期記憶的整條通道。

AI 給我們的答案，和我們自己想通的答案，對大腦來說其實不一樣：一個是資訊，只是經過；另一種是記憶，會記錄在腦中，建立新迴路、修剪舊迴路。

倫敦大學的神經學研究發現，長期依賴 GPS 導航的年輕人，海馬體灰質體積比不使用者減少了 12%。大腦發現導航這件事有外部工具代勞，就把那個功能從自身系統裡「卸載」掉了，心理學上把這叫 「認知卸載」 。

然而 AI 的卸載能力比 GPS 強太多了。想想看，GPS 只能幫我們查路、規劃，但 AI 幫我們思考、幫我們寫作、幫我們做決策。GPS 讓海馬體縮了 12%，那 AI 會讓我們的大腦變成什麼樣呢？

 

其實數據已經在出現了。過去人類智商每十年提高 3 分，稱為 弗林效應 。但現在趨勢被逆轉了：美國成年人在言語理解、數學能力和工作記憶三個領域，智商下降了 2 分，芬蘭下降 2%，法國下降 4%。有學者把這叫「反弗林效應」。

 

原因很複雜，但其中一個被反覆提到的因素，就是認知卸載：大腦越來越少被要求主動運作，於是越來越不會運作，一篇論文 把這稱為 intellectual deskilling，智力退化。

 

所以「有沒有在加工」這個行動，不只呈現出一種態度，而是我們的大腦真的會因為加工運作而提升，也可能因為不加工而下降。



 

但「先人後機」是唯一的方式嗎？其實在我自己用 AI 學習的經驗裡，有時候是可以反過來的。

 

我先讓 AI 生成一份東西，然後我來批改、修正、補充。這個過程裡我一樣在思考，甚至想得更多，因為我在跟一個超級智能對話，他的回饋與引導，對我來說都是很棒的學習。

 

俄國心理學家維高斯基（Lev Vygotsky）說過的 鷹架理論 ，學習者需要一個支架撐著，才能搆到本來搆不到的地方。而 AI 生成的資料，其實就是一個支架。當我們開始批改、修正、延伸，會比從零開始更容易進入學習狀態。

 

劉瀾老師也曾說過類似的概念：先看到 AI 的輸出，才能發現自己沒想到的、不認同的，而「發現差異」本身就是學習。

 

所以我覺得關鍵不是誰先誰後，而是我們有沒有進行加工這個流程。先想再問，是在加工自己的思考；先生成再批改，是在加工 AI 的產出，這兩種都是學習。真正危險的不是順序反了，而是跳過了加工這個流程。


如果你想要認識更多關於大腦使用的模式，可以閱讀我的這篇 《大腦配速的心流工作術》：大腦三種檔位與主動換檔 ，讓你更進一步的認識大腦  

 

 

圖三 如何處理AI產出的資訊知識圖卡
 

 

5. 高階思維能力的重要性

 

所以回到前面那個問題：AI 時代，到底要學什麼？

後來我查了資料，發現教育學裡早就提出相似的概念：布魯姆分類法，把認知能力分成兩層。

低階的是記憶、理解、應用：背一個定義、看懂一段話、照著步驟做。高階的是分析、評估、創造：拆解邏輯、判斷好壞、提出新的東西。

可以用 AI 包辦低階認知的事情，因為它記得比我們多、理解比我們快、應用也比我們快速。


但在高階認知這個層次，像是判斷這個方案該不該用、明辨這個論證哪裡有漏洞、提出一個 AI 想不到的好問題、修正一個看起來沒問題但其實有問題的東西。


這些判斷、明辨、提問、修正，這些有一個正式的名稱，叫 高階思維能力（Higher-Order Thinking Skills，HOTS）。

 

這些是 AI 時代我們人類必須提高的能力。如果不具備高階思維能力，AI 產出的東西我們是無法消化或修改的，可能只能概括接受。而當我們具備了高階思維能力，AI 才能成為我們的加速器，而不是我們的替代品。

 

海碩校長在課裡提出「半人馬模式」，就是厲害的人加上厲害的 AI，可以打敗任何純人類或純 AI。但前提是那個「厲害的人」得夠厲害，否則可能不是半人馬，是人被馬拖著跑。

 

AI 替我們做的叫資訊，我們自己能理解、判斷的才是知識。前者路過就離開，後者刻進腦子裡。而讓資訊變成知識的那個過程——判斷、明辨、提問、修正——在 AI 時代，會成為更重要的能力。