Table of Contents
🧭 每一次降低學習成本的技術，都被指控過同一件事。而指控大多沒有成真。我是 1980 年代初出生的，經歷過紙本轉電腦、圖書館轉 Google。所以當滿場都在說「AI 讓學生變笨」的時候，我的第一反應是懷疑。但寫著寫著，我發現最流行的那個講法——「以前 AI 取代苦力，這次連思考都取代了」——其實站不住腳。📚 柏拉圖抱怨的是記憶力，不是抄寫。🧮 計算機拿走的是數量級直覺，不是心算手續。🔍 Google 拿走的是知識本身，只留下索引。
每一次被拿走的都是認知。我們只是在事後，把失去的那部分重新定義成「本來就不重要的苦力」。
那真正不一樣的地方在哪？我認為是這個：⚠️ 評估能力是靠大量生成練習養出來的，而 AI 剛好自動化掉了生產評估能力的那個訓練場。這不是腦萎縮問題，是學徒制被抽掉了中間層——一個有十年延遲的管線問題。
📊 但也有樂觀的地方：Bastani 等人在 PNAS 的研究裡，同一個工具加上「只給提示、不給答案」的護欄，練習成績從 +48% 變成 +127%，而撤除 AI 後的成績衰退完全消失。真正有效的變項是「設計」，不是「叮嚀」。
每一次降低學習成本的技術，都被指控過同一件事。而指控大多沒有成真。但這一次，當我試著把「哪裡不一樣」講清楚，我發現最流行的那個講法其實站不住腳——而把那條線劃到正確的位置之後，結論比原本的版本更嚴重，也更能動手處理。
其之一一個經歷過三次「這次完蛋了」的人
我是 1980 年代初出生的。求學到執業這段路上，至少經歷過三次被宣告為災難的技術轉變。
紙本轉電腦的時候，長輩說用電腦打字的人不會寫字了、字醜了、思考變得零碎了。從圖書館的卡片目錄轉到 Google 的時候，說法更嚴厲一些：學生不再懂得什麼叫做「查資料」，不再有從一本書翻到另一本書、在書架間繞路而意外撞見答案的那種訓練。每一次，警告聽起來都很有道理；每一次，震盪過了幾年之後也都平息了。
平息之後發生的事情，通常還更好一點。學生騰出來的時間跑去學新的東西。單純的心算讓位給對計算架構的理解，抄寫筆記讓位給資料整理與交叉比對。能力沒有消失，只是往上搬了一層樓。
所以當現在滿場都是「AI 讓學生變笨」的論述時，我的第一反應是懷疑。歷史上每一次降低學習成本的技術，都被指控過同一件事，而指控大多沒有成真。
但這一次，我確實覺得有些東西不太一樣。麻煩的是，當我試著把「哪裡不一樣」講清楚的時候，發現最常見的那個講法——以前 AI 取代的是苦力，這次連思考都取代了——其實站不住腳。
其之二每一次被拿走的，都是認知
先把「以前只是苦力」這個安慰性的說法拆掉。
文字本身就是第一個案例。柏拉圖在《斐德羅篇》裡藉埃及國王塔穆斯之口，抱怨書寫這項發明會毀掉人的記憶力。他抱怨的顯然是一種心智能力，不是搬磚。而且他說對了——印刷術普及之後，中世紀那套受過嚴格訓練的記憶術（記憶宮殿、位置記憶法）作為一門技藝確實消失了。那不是苦力，那是一套高度結構化、需要多年養成的認知技術。
計算機也一樣，而且案例更精細。它拿走的不只是心算的手續，還順手拿走了數量級直覺。用過計算尺的人知道，計算尺不會告訴你小數點在哪裡——它只給你有效數字，位數必須你自己判斷。也就是說，在按下任何一個刻度之前，你被迫先估算答案大概落在什麼量級。計算機把這個判斷步驟徹底消滅了，於是「算出一個離譜三個數量級的答案卻毫無警覺」變成了普遍的錯誤型態。那是判斷力的流失，不是勞力的流失。
Google 更是明白。2011 年 Sparrow 等人在《Science》上發表的「Google 效應」研究顯示，當人們知道資訊可以隨時查到時，記住的是在哪裡找得到，而不是內容本身。這是交易記憶（transactive memory）的重新分配——認知的內容被外移到系統裡去了。
| 技術 | 當時說失去的 | 實際失去的 |
|---|---|---|
| 書寫與印刷 | 抄寫的勞力 | 記憶術作為一門受訓技藝 |
| 計算機 | 心算的手續 | 數量級直覺與答案合理性判斷 |
| 搜尋引擎 | 翻書找資料的時間 | 知識內容本身，只留下索引位置 |
| 生成式 AI | 打草稿、整理格式 | （待填——而這正是重點） |
所以真相是：每一次外包，吃掉的都是認知。我們只是在事後，把已經失去的那部分重新定義成「本來就不重要的苦力」。
心算被降格為苦力，是在我們集體決定放棄它之後才發生的事，不是之前。這個順序值得記住，因為它意味著「這次才輪到思考」很可能只是同一套事後合理化，換了一個時代重演。
其之三那麼，真正不同的地方在哪裡
我認為有三個。前兩個是程度問題，第三個才是要害。
一、接縫被抹掉了
Google 給你的是一份來源清單。選哪一個、信不信、是誰寫的、什麼時候寫的、幾份來源彼此矛盾怎麼辦——這些判斷全部還在你手上，而且看得見。你知道自己正在做選擇。
AI 給你的是一份已經合成完畢的答案。來源、權重、彼此衝突之處，全部被縫合進一段流暢、自信、格式漂亮的文字裡。
這是新的。關鍵不在於「它替你思考」，而在於它讓「它替你思考了多少」變成不可見。你失去的不是判斷，是判斷的觸發訊號——那個「欸，這裡我得決定一下」的停頓感。這也正是所謂流暢感偏誤（fluency illusion）的機制：處理起來很順，於是誤以為自己已經理解。
二、驗證成本與生成成本的比值翻轉了
以前的結構是：查資料貴，驗證便宜。找到一篇文獻要花半天，但看一眼期刊名、作者、年份，大概就知道要不要信。
現在的結構是：生成幾乎免費，驗證卻很貴。而且更糟的是——驗證所需要的能力，正好就是你還沒學會的那一個。
這是一個結構性陷阱，前幾次技術轉變都沒有出現過。對一個資深臨床醫師來說，AI 開出的鑑別診斷少了什麼、劑量有沒有依腎功能調整，一眼就看得出來；對一個實習醫學生來說，那份輸出跟教科書上的標準答案在感覺上沒有任何差別。「一律交叉查核」對前者是好建議，對後者是一句不可執行的口號。
三、抽象階梯的下一層，這次是訓練場本身
這一點才是我真正擔心的。
心算到計算架構那個例子之所以成立，是因為機器能算，但不能決定要算什麼。人往上搬一層樓，而那一層樓夠厚、夠寬，養得起一整套養成體系。
但這次的情況是：評估能力，是靠大量生成練習養出來的。
你之所以能一眼看出住院醫師的鑑別診斷漏了什麼，是因為你自己列爛過幾百份。你之所以能判斷 AI 給的處置不對，是因為你曾經自己算過、算錯過、被主治醫師電過、在半夜裡重新翻過一次教科書。判斷力沒有捷徑，它是大量拙劣生成之後留下的殘留物。
我們現在最需要的能力是評估，而 AI 剛好自動化掉了生產評估能力的那個訓練場。
這不是「AI 讓人變笨」。這是學徒制被抽掉了中間層。
沒有實習醫師真正做過的那些低階、重複、看起來很像苦力的認知工作，就長不出十年後能監督 AI 的主治醫師。這是一個管線問題（pipeline），不是腦萎縮問題。而管線問題比腦萎縮嚴重得多——因為它有大約十年的延遲，等到你發現的時候，已經斷了一代人。
其之四歷史從來沒有「自然平息」，是被重新設計過的
前面說每次震盪都會平息、都會長出新的學習方式。這句話的結果是對的，但機制常被誤解——而機制決定了我們現在該做什麼。
計算機不是被學生自己消化掉的。它之所以被順利吸收，是因為考試被重寫了：數學測驗被拆成「可使用計算機」與「不可使用計算機」兩個部分。是因為數學教育界坐下來，明確地開了一張清單，決定哪些能力必須守住（估算、數感、量級判斷、對答案合理性的直覺），哪些可以放掉（開平方根的手算程序、查對數表）。
那個新平衡是被工程出來的，不是自己浮現的。
如果這個判斷正確，那從歷史學到的教訓就不是「等它過去」，而是：現在必須明確地決定——哪幾項認知能力是不可交易的，以及為什麼。
而且這個決定不做，預設值並不是中立。預設值是全部放掉，因為時間壓力永遠站在「放掉」那一邊。深夜兩點、明天要交的作業、還沒寫完的十份病歷——在這些時刻，沒有任何一句道德勸說擋得住那個複製貼上的動作。
以醫學訓練為例，我認為那張清單的判準可以只有一條：保留那些「用來偵測機器出錯」與「用來承擔責任」的能力，其餘的都可以談。
- 病史採集與理學檢查要留著——因為 AI 沒有那個輸入通道，它只能處理你餵給它的東西。
- 病生理與藥理推論要留著——因為那是判斷 AI 有沒有在胡說的唯一內建工具。
- 對病人偏好與共病的個體化取捨要留著——因為那正是標準化建議最系統性失效的地方。
- 文獻格式整理可以放，衛教單張初稿可以放，病歷的敘述性段落可以協作。
這張清單可以辯論，但必須有人把它寫下來。沒寫下來的東西，會在忙碌中被安靜地放棄。
其之五一個沒有人會寫進歷史的族群
還有一件事，歷史不會告訴你，因為歷史是由倖存者寫的：每一次技術轉型，都有一個沒接上的世代。
他們只是不顯眼。他們沒有集體發聲，沒有被統計，通常只是在幾年之後以「這一屆的基本功比較弱」的耳語形式出現。
更重要的是，轉型的成本從來不是平均分攤的。它幾乎全部壓在新手身上。
我這一代人之所以覺得 Google 沒有傷到自己，很可能只是因為底子在 Google 出現之前就打完了。工具進來的時候，我們已經有能力判斷搜尋結果的好壞——所以工具對我們是純粹的增益。這個經驗完全無法外推到一個從第一天就有 AI 的學生身上。
凡是經歷過轉型而活得好好的人，都會有這個系統性錯覺。我在寫這篇文章的時候，也必須不斷提醒自己這件事。
其之六兩個誠實的提醒
寫到這裡，如果只是把警告加大音量，這篇文章就變成了它自己批評的東西。所以有兩件事必須說清楚。
提醒一：目前的證據，比論述薄
我們正在用幾週尺度的研究，推論一個三十年尺度的現象。
- Bastani 等人 2025 年發表於 PNAS 的研究，是目前最扎實的一份：近千名高中生，使用無護欄 GPT 的組別在練習階段成績提升 48%，但拿掉 AI 之後的考試，成績比從未使用過的對照組低了 17%。這是「拐杖效應」最清楚的證據——但它是四堂數學課，土耳其的高中生。
- 醫學領域最受矚目的那份大腸鏡研究（Budzyń 等人，2025 年《Lancet Gastroenterology & Hepatology》），顯示醫師在導入 AI 輔助三個月後，非 AI 輔助大腸鏡的腺瘤偵測率從 28.4% 掉到 22.4%。這常被引用為「首個真實世界的醫療去技能化證據」——但它是觀察性設計，而且同期檢查量能大幅增加，工作負荷本身就足以壓低偵測率。這個干擾因子還沒被排除。
- 那份被廣泛轉傳的 MIT 腦波研究，是小樣本預印本。
只有短期的能力錯覺效應——「以為自己學會了，其實沒有」這件事，實證基礎相當扎實。而「長期思考能力萎縮」則仍然是一個合理的推論，不是既成事實。
這個區分必須守住。否則我們就變成：用一組未經充分驗證的宣稱，去警告別人不要輕信未經驗證的宣稱。
提醒二：這是第一個可以被設定成「製造困難」的工具
這是我真正樂觀的地方。
Google 沒辦法反過來蘇格拉底式地質問你。計算機沒辦法拒絕給你答案。前幾次技術轉型裡，工具的形狀是固定的，人只能被動地重新設計制度去配合它。
這一次不同：工具本身是可塑的。
同一份 Bastani 研究裡還有另一半結果常被忽略。他們同時測試了一個加了護欄的版本（GPT Tutor）——只做一件事，就是要求 AI 給提示而不給答案。結果：練習階段成績提升 127%（遠高於無護欄組的 48%），而拿掉 AI 之後的考試成績，與從未使用 AI 的對照組沒有統計上的差異。傷害消失了。
同一個工具，換一組護欄，效果的方向可以完全相反。真正有效的變項是設計，不是叮嚀。
而目前絕大多數的 AI 教育指引，押注的都是後者——反思問單、自我提問清單、使用聲明書。這些東西在時間壓力下是第一批被丟掉的。
該做的是把驗證做進流程裡：讓工具只能檢索院內指引並回傳可點擊的來源；讓輸出強制附上不確定性欄位；讓 AI 建議在進入醫令之前必須勾選「已核對項目」；讓病歷模板要求標註 AI 生成的段落。把驗證變成一個必經的閘門，而不是一個需要美德才會執行的選項。
其之七換一個問題
所以，回到最初那個擔心。
我認為方向是對的，但焦點應該移動一格：從「學習者的思考能力會不會退化」，移到「養成思考能力的那個過程還在不在」。
前者是個人層次的問題，難以介入，而且很容易滑向道德勸說與世代抱怨。後者是制度層次的問題，可以設計、可以測量、可以驗收。
真正該問的不是「AI 會不會讓人變笨」，而是——我們的訓練體系，還會不會產出有能力發現 AI 錯了的人？
這個問題有答案。而且答案不取決於技術會走多遠，取決於我們現在怎麼設計。
參考文獻
- Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 122(26), e2422633122.
- Budzyń, K., Romańczyk, M., Kitala, D., et al. (2025). Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. The Lancet Gastroenterology & Hepatology, 10(10), 896–903.
- Goh, E., Gallo, R., Hom, J., et al. (2024). Large language model influence on diagnostic reasoning: A randomized clinical trial. JAMA Network Open, 7(10), e2440969.
- Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303.
- Sparrow, B., Liu, J., & Wegner, D. M. (2011). Google effects on memory: Cognitive consequences of having information at our fingertips. Science, 333(6043), 776–778.
- Bjork, R. A., & Bjork, E. L. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning.
- Plato, Phaedrus, 274c–275b.