刊於《經濟日報》，2026年7月24日
AI時代更多人需掌握工作技能
黃昊
科大商學院會計學系教授兼系主任
筆者上周的文章（下稱「前文」）剖析了「讓AI做，你只需要檢查」為何是個糟糕的建議。本文把論述延伸到課堂之外，談專業知識的來源、我們該信任誰，以及教育的真正意義。
無可否認，我們一直在外包專業技能，而且運作良好。我不是結構工程師，卻信任橋梁的安全；我沒上過醫學院，卻信任外科醫生。那麼，依賴人工智能與此有何分別？
首先，我對橋梁的信任並非建基於親自檢查，而是建基於工程師背後的一整套體系：執照、責任、檢查制度、職業聲譽，以及橋梁一旦坍塌所要面對的破產和問責。人工智能模型並不具備這些要素。把我們給予問責專家的信任，直接移到一台毋須承擔責任的機器身上，是兩碼子事。
其次，也是更根本的一點，學習者並非旁觀者。對一位不會駕駛飛機的乘客來說，把駕駛技能永久外包出去，完全合理。但對學生而言，把自己正要學的技能外包出去，無異於自廢武功。乘客和機師的角色不同，而學生學習的目的，正是要成為機師。
需要掌握驗證能力
過去，我們可以安心依賴少數值得信賴的信息提供者，是因為這些提供者相對稀少，而且經過嚴格篩選；作品的質量足以識別專家，偽造高質量的作品成本高昂。然而，近乎零成本的生成打破了這種平衡。當任何人都能免費生成看似專業的作品，你便無法再單憑作品本身去識別可信的來源；海量未經審核的信息，也淹沒了少數有能力甄別的人。
於是，驗證不再是少數持有資格的專家才具備的稀有技能，而必須成為人人都要掌握的基本能力。但正如「前文」所述，評判是要經過學習才能得到的。
換言之，社會對真正具備判斷力的人才，需求勢必急升。那麼，供給那一端又如何？
別鋸斷上進學習階梯
各行各業的專家，從來都不是單靠課堂培養出來，而是在工作中磨練出來。醫學就是一個生動的例子。醫學生最早的任務之一，是撰寫臨床記錄：聽病人零散而且往往自相矛盾的敘述，再整理成條理清晰的文本。學生的記錄往往錯漏百出，畢竟知識儲備有限。但把混亂的信息梳理成有意義的內容，正是他們開始像醫生一樣思考的過程；在紙上奮鬥本身就是學習，笨拙的記錄不過是學習的副產品。
如今，AI只需幾秒鐘就能完成這項工作。對已經具備判斷力的醫生，這沒有損失，反而省下時間；但對尚未建立這種能力的學生，失去的正是建立能力的練習機會，而且他們並不察覺自己錯過了什麼。更嚴重的是，這會瓦解學徒制：恰恰在我們最需要高階人才的時候，卻鋸斷了最底層的那級階梯。
消除阻力等同消除學習
筆者並非反對人工智能進入教育，也不是故步自封，懷念事事親力親為的傳統。「前文」的計算器例子說明，只要交出去的是可靠的機械操作，而判斷力仍然留在自己手上，把部分工作交給人工智能是安全的。若把人工智能設計成引導學生思考的導師，而不是提供答案的自動售貨機，它就能真正幫助學習。爭論的焦點只在於次序，以及我們敢把哪一層任務交給AI。
第一個啟示是，基礎必須在人工智能進入課堂之前建立，而不是之後。美國認知心理學家比約克（Robert Bjork）提出「合意困難」（desirable difficulties）：學習過程中那些令人吃力、費神、甚至會失敗的挑戰，並非學習的阻礙，反而是大腦建立長期記憶與深刻理解的動力。
學生努力回憶所學到的，比流暢地重讀所學到的多；自己動手作答並且出錯所學到的，比直接看到正確答案所學到的多。這並非推論，而是實驗結果。心理學家羅迪格（Henry Roediger）和卡皮克（Jeffrey Karpicke）在2006年的研究中，讓大學生讀一篇科普短文，然後分為兩組：一組把原文再讀一遍，另一組合上原文，把記得的內容默寫出來，事後既不重看原文，也不獲告知答案。五分鐘後測驗，重讀組略勝一籌。但兩天後再測，位置已經對調，默寫組優於重讀組；一星期後差距更大。同一系列的另一項實驗更為極端：讀四次而從不默寫的一組，一星期內忘掉了超過一半原先記得內容；只讀一次、默寫三次的一組，只忘掉10%。
兩位研究者還多問了學生一個問題：你估計自己一星期後會記得多少？重讀組的預期最高，實際表現卻最差。他們把重讀時的順暢，錯當成記憶的牢固。這正是「前文」所講的同一種錯覺，只是換了一個位置發生：一次在讀者身上，一次在學習者身上。
大腦面對不確定、困難、挫折或複雜問題時所產生的阻力感與費力感，正是心理學所說的阻力；消除了阻力，也就消除了學習。「前文」所談的阻力，是閱讀者警覺的源頭，可以喚醒批判性思維；這裡所談的阻力，則是學習者的動力，是能力賴以養成的根本。人工智能同時消除了這兩端的阻力，所以它在教育階段最為危險。而AI最擅長的，恰恰是把默寫變回重讀：它把答案直接遞到你面前，讓你讀得很順，也讓你以為自己記住了。
評核基於學員新技能
第二個啟示與評估有關。論文和課後作業從來都不只是練習，而是衡量學習成效的可信信號，因為造假的成本高昂。當這個信號失效，一切未經觀察（unobserved）的產出，都不再具有認證的意義。換言之，學生在課後或私下完成的作業，已經無法證明那是他們自己的能力；評估必須移到產出可以觀察的場合，例如課堂寫作、口試或即場論證。更進一步，評估應該直接檢驗學生的新技能：給他們一個看似合理但錯誤的AI答案，再按他們能否找出錯處來評分。這並非噱頭，而正是這個世界即將要求他們具備的能力。
第三個啟示是，驗證本身應該當作一項明確的技能來教，包括當中最違反直覺的一環：在讀來輕鬆的文本上，自律地放慢速度。正如「前文」所述，流暢的文筆，恰恰在批判性思維應該啟動之時把它扼殺。我們可以教學生刻意製造這種欠缺的阻力：核對引用的來源，自行重算關鍵數據，用自己的語言重述論點，看看它是否依然成立。刻意懷疑流暢，或許是這個時代學校所能教授的最有價值的習慣之一。
值得衡量的問題
這兩篇文章的論證很清楚：實踐先於評判，因為評判與實踐所依賴的，本來就是同一套技能。真正懸而未決、也更有趣的問題是「劑量」。究竟要有多少基礎，一個人才能從人工智能輸出的被動消費者，變成合格的評判者？又要維持多少實踐，才能守住這種能力？這些閾值必然因領域而異，而且要靠實證研究去找，不能紙上談兵。逐一為各個領域找出這些閾值，正是當前人工智能與教育研究最值得認真對待的課題。總括而言，在人工智能時代，人類社會需要掌握工作技能的人只會更多，不會更少。