刊於《經濟日報》，2026年7月18日
建議「讓AI做 你審查」本末倒置
黃昊
科大商學院會計學系教授兼系主任
強大的人工智能（AI）工具面世以來，有論者認為，若機器能夠生成文章、分析或代碼，我們就不必再教學生自己動手創作，只需教他們如何評審和改進機器生成的內容。筆者認為，這種想法本末倒置。
心理學家鄧寧（David Dunning）和克魯格（Justin Kruger）提出的「鄧寧-克魯格效應」（Dunning-Kruger effect）指出，能力最差的人往往最容易高估自己。原因在於，做好一項任務所需要的技能，與判斷成品優劣所需要的技能，基本上是同一套。換言之，專業能力既是創作的能力，也是分辨好壞的能力。
讓學生跳過寫作實踐，直接進入編輯和評審，只會令情況更糟。也許有人認為，今天的大語言模型如此強大，生成的文章讀來不下於專業者之手，應該有助緩解這個問題。事實恰恰相反。
能力信號失靈
過往，文字流暢、自信、條理清晰，是優秀內容的可靠信號。寫得出這樣的文章，需要閱讀、練習和修改的長期浸淫，很難造假。2001年諾貝爾經濟學獎得主邁克爾‧斯賓塞（Michael Spence）提出的「信號理論」指出，只有當信號的成本足夠高、難以偽造時，信息才能有效傳遞。大學學位、精湛的報告、可供查核的專業資格，之所以能夠充當能力的信號，正是因為取得的成本很高。一紙學位的背後，是多年的學習和一關一關的考核。
如今，大語言模型令流暢的文字表達幾乎變得免費。即使對內容一無所知的人，也能在幾秒鐘內生成一個自信、條理清晰、看起來很專業的答案。結果，流暢精琢的文字失去了令人安心的力量，反而惹來懷疑：這是否出自真人之手？這正是信號理論所預言的：一旦傳遞信號變得廉價，它就無法區分能力的高下。
警報失聲錯漏隱藏
不過，理智上知道某個信號不再可靠，並不等於實際上對它無動於衷。我們明知寫作的流暢性已變得廉價，卻仍在讀到流暢的文章時感到一絲安心。這種吸引力難以擺脫，因為我們對流暢的反應，本來就不經理性判斷。2002年諾貝爾經濟學獎得主康納曼（Daniel Kahneman）把思維分為兩種模式：「系統1」快速、直覺、毫不費力；「系統2」則緩慢、深思熟慮、帶批判性。大多數時候，我們都依賴「系統1」的操作，通常情況下並沒有什麼問題。但當我們要切換到「系統2」，便會出現「阻力」（friction），內心產生下意識的抗拒。當一段文字難以閱讀，或者某些內容感覺不對勁，這種阻力就是一記警報。信息愈難處理，人們的推理就愈仔細，也愈容易發現錯誤。因此，困難不只是障礙，也是提醒我們留神的信號。
然而，人工智能的輸出極其流暢，幾乎不會觸發這記警報。原本會喚起你批判性思維的阻力，恰恰被機器抹去了。這就解釋了一個現象：見多識廣的專家明明有能力識破偽造的引文或細微的疏漏，卻輕易放過。因為在AI充滿自信的文字表面，沒有任何跡象提示你需要仔細檢查。
誠然，有些紕漏很容易查出來，但真正重要的事情大多並非如此。驗證的成本一般比生產低。例如，我們不必懂得譜寫交響樂，也能聽出一個錯音，因為錯音本身就刺耳，未受訓練的耳朵也分辨得到。然而，廉價的驗證只存在於錯誤顯而易見的地方，而人工智能的錯誤卻悄無聲息。換言之，驗證在最不重要的地方有效，卻在最重要的地方失靈。
流暢性蒙蔽檢查
幾十年前，我們把算術交給了機器，一切安然，因為此舉滿足了兩個條件。其一，計算器不會說謊，不會給出看似正確卻錯誤的答案；其二，即使你對計算結果有所懷疑，也可以在腦海中把它與大致的預期核對一遍。關鍵在於，我們簡化的只是計算過程；學生仍然要知道該用哪種算法，以及答案大致應該是什麼。判斷從未被交出去。
然而，大語言模型同時違反了這兩個條件。它經常毫無預警地生成看似合理卻錯誤的答案；面對難題時，它的輸出很難用低成本驗證，而流暢的表面又不斷說服你，根本不需要檢驗。
應付這類難題，恰恰是正規教育的意義所在。以商學教育為例：這個產品市場值得進入嗎？估值合理嗎？這套商業策略是否穩健？這些問題都沒有現成答案。要驗證答案，你首先得知道哪些地方值得驗證，而這正是非專業人士所欠缺的。
提倡改變的人或會說，即使承認以上所有觀點，學生仍然可以在編輯的過程中逐步掌握能力：處理人工智能的輸出，反覆修改和潤色，練習日久自然生巧。
評價自身學習盲點
問題是，人往往不擅長評價自己的學習。心理學家反覆證明，我們很容易把閱讀時的流暢感，誤當成自己已經掌握了知識；然而流暢只是當下理解的感覺，與學到多少無關。
不妨設身處地，想想編輯人工智能答案是甚麼感受。文章流暢，讀來毫不費力，於是感覺一切都已經理解。學生在這處改一個句子，在那處調動一個段落，細微的調整讓他覺得自己付出了努力；交出一篇潤色過的文章，自信更添幾分，油然生出掌握了知識的錯覺。可是真正構成精通的環節，獨立思考、獨立構建論證，卻從未發生。流暢的文字既能蒙蔽讀者對作者能力的判斷，也能蒙蔽學習者對自己能力的判斷，後者尤其令人不安。
這正是「讓AI做，你只需審查」不僅無效、而且更糟的原因。一個明知自己偷懶沒做作業的學生，至少清楚自己欠缺甚麼，日後補回來還來得及；一個自以為做完了作業的學生，連自己不懂甚麼也不知道。回想文首的觀點：能力最弱的人往往最高估自己，因為自我評估所依賴的，恰恰是他們所欠缺的那套技能。
總言之，在人工智能時代，需要掌握工作技能的人只會更多，不會更少。這一點，筆者將另文深入討論。