1AI新趨勢
AI並非萬能
引Stanford AI Index 2024：「AI beats humans on some tasks, but not on all.」
- 基礎：一億本書（40T token）
- 擅長演進：2023年閱讀／摘要／回答 → 2025年數學／程式／推理
- 弱項：真實世界連結、企業內隱知識、物理世界知識、人類靈巧與同理心
AI的本質是一場意外
網路讓人類知識高度數位化，數位化知識結合傳統神經網路加優化理論，意外造出接近人類全部已數位化知識的「最進步搜尋」。40T token的訓練資料，相當於讀完並理解百萬本書等級的知識——不是量的堆疊，是每一本書都被理解。
2職場新衝擊
- 人機協作案例：玉山金控客服、Meta裁員
- 「超級人類」矛盾：能力被放大，但也可能被取代
- McKinsey百行業分析：AI對各行業衝擊程度不一
- 現場最有共鳴的對照：護理師 vs 水電師傅——物理世界能力越高，越難被取代
- 企業不再招新人、一人公司創業浪潮、傳統產業AI化案例
- AlphaFold、AlphaDev：AI在專業領域的突破性案例
- Agentic Commerce（B2C）、「矽盾」到世界AI硬體核心地位
- Vertical AI Agents（垂直領域AI代理）崛起、AGI發展階段論
台灣的HR缺口：白領外籍工作人員20年僅25,000人，對比上市公司2,000家嚴重不足；多國文化融入協作能力成為新興關鍵技能，台商過去只管理單一（大陸）文化架構的員工，如今首度要跨文化跨國治理。
少子化與出海：五年內各行各業找不到人才，十年內各行各業找不到消費者；台灣出生嬰兒占總人口比甚至低於已老化30年的日本。解方是「多國化」——同時引進外國白領人才與發展機器人。
3個人AI賦能
個人AI賦能四要點
- 人機協作能力——「問、用」：嘗試用AI工具將日常30%業務自動化
- AI成果確保者——「管」：確保AI輸出的正確性、完成度
- 跨領域技能（π型人才）——「造」：例如「懂行銷的數據分析師」「懂設計的AI流程工程師」
- 人際關係與軟實力——同理心、信賴、協商、跨部門溝通、領導力
軟實力重於硬實力
德智體群美依然重要。AI輔助學習下，80分才算及格；問對問題比解題更重要。未來人才技能：提問表達（Why比How重要）、同理心、思考判斷（思辨／質疑的勇氣）、合作協商、領導力。
人類不可替代能力：軟實力 + 物理世界能力（"Talk to AI" 意象）。
AI答案來自提問品質
AI本質是機率接龍——前面的字決定後面字怎麼長。提問的精準度與專業度，直接決定答案品質。
案例：一位醫生原本找不到「紅血球血小板凝固」的處理方法，改用醫學專業術語提問後立刻找到答案。
問AI的實戰技巧
- 中文問題效果不佳時，先翻成英文問、再翻回中文
- 用兩個AI互相評論，甚至告訴一個AI「這是另一個AI寫的」以激發它更認真作答
- 「如何問好問題：Ask AI!」十要點：具體性、清晰性、上下文、禮貌（其實是Professional的翻譯）、單一主題、打破大問題、詢問具體事實、引導性問題、反問法、檢查回答
- Tips：用例子教AI、把問題先翻英文、請AI先改問題、讓AI批評其他AI建議、給AI時間做Deep Research、向超級使用者學習
小心大腦外包（Outboard Brain）
以法國哲學家Michel Serres「拇指姑娘」的「頭手分離」隱喻警示：外包層級正在遞增——計算外包、記憶外包、閱讀外包……學習外包、決策外包、思想外包。
學習外包是本次演講對教師的核心警示：AI沒把關好，孩子的學習能力和思考能力就會不見，年紀越小風險越高。
核心判準：一問一答、直接拿走答案，叫抄襲、甚至叫偷竊。跟AI來來回回討論十次、三十次、甚至一百次，反覆修改、反覆逼近，這叫學習，這叫創造。差別不在於「有沒有用AI」，差別在於「有沒有跟它拉扯過」。
讓自己成為π型人才
以大衛與歌利亞為喻：不必成為打倒巨人的戰士，而要成為能「指揮」巨人的人——能成為AI的指揮家、能協助AI與人溝通、能管理AI與人類同事。
佐證數據：ChatGPT網頁版流量在2025年年中曾下滑70%（OpenAI Terms of Service頁面資料），顯示重度用戶正轉向更進階的使用模式。
4高教人才培育
- 學生族群是AI最大使用者，是天生的AI Native，但沒學好也最危險
- 高教核心：學生仍需學以致用、能承擔專業責任；培養學生駕馭AI、具適應力與人本價值
- 老師角色：從「知識講述者」轉為「學習歷程引導者」
- 校園價值：從人類老師＋AI老師共同構成的學習場域，走向「人人協作＋人機協作」的學習場域
未來教室畫面：孩子有兩個老師（人類老師＋AI老師）、兩個同學（人類同學＋AI同學）——學校要提前讓孩子習慣與AI同學協作，因為出社會後職場上一定會遇到。
高教面臨的挑戰
- 學科邊界模糊：矽谷軟體開發已不再用PM/IT/QA/UX等title定義角色，只定義「每個階段要交付什麼」
- 所有科系加AI之後，法學要不要學資料科學？資料科學系要不要學人類溝通？邊界持續模糊，「微學者」現象興起
- 年級邊界模糊：一個七八歲、學習能力極強的孩子若用AI學到高中程度，學校治理該怎麼辦？目前沒有答案
- 大腦外包現象已被OECD觀察為實質問題；大學治理不能只靠知識傳授，也要能觀察學生真正卡在哪裡——這件事AI做不到
- 財源問題：AI要用token，孩子沒錢、學校沒錢，如何使用AI？（大學教務長會議中第一個被提出的問題）
OECD建議：教育場域不能用公版AI，公版AI直接給答案、沒有思辨過程，容易讓學習歷程被縮短、失去自主性。新加坡要求學生自己微調（fine-tune）專屬的AI系統，走向個人化學習。
5K-12人才培育
基本原則
- AI是工具，不能剝奪孩子的直接學習，不能直接給答案
- 這個階段要培養身心韌性：眼耳鼻舌身的感官與物理知識、德智體群美的全人發展
體育與群育的重要性被重新強調——「合法的學習失敗」。案例：兒子當投手滿壘被打全壘打、不慎砸傷同學不敢投球數月，這種挫折是成長必須的養分，AI無法替代。
實測案例：AI當小學家教
簡董事長親自測試提問：「你是我的小學老師，我是九歲的孩子，你如何教我，才不會讓我大腦外包？」AI回答的核心原則：
- 不出「查字典就有答案」的簡單問題
- 要求孩子先自己拆解問題，再來問AI
- 記錄下所有提問過程，交給老師檢視學習歷程
- 最關鍵一步：讓孩子用自己的話重新回答一次
結論：如果這樣使用，AI相當於一個原本請不起的超強家教——重點不是杜絕使用，是確保「用自己的話重新說一次」這一步沒有被跳過。
老師角色更辛苦
老師從知識傳播者，變成同時是學習教練、環境設計者、情感支持者——三重角色疊加，教學系統需要為老師「瘦身」（但討論後普遍共識是必修課不能減）。
國際案例對照
| 國家/案例 | 做法 | 現況與觀察 |
|---|---|---|
| 美國 Alpha School（德州） | 上午2小時AI一對一個人化學習，下午Project Based Learning累積協作能力 | 已發展到C5；孩子自主性趣味性高，但反對者質疑挫折太少、樣本偏富裕家庭 |
| 南韓 | 2023年推AI教科書，2025年收回 | 師資嚴重不足、補習壓力邏輯站不住腳，也牽涉政黨輪替後歸責前朝 |
| 日本 | AI素養納入大學入學考，高中必修「情報一」（程式設計/資安/AI基本概念），2025年1月30萬學生應考，東大納入七科選拔；低年級不建議直接用AI但教隱私權著作權；全面鼓勵用AI學外文；高中AI納入跨學科學習 | 用考試領導教學，但推行耗時約3年 |
| 新加坡 | 全面砍必修課內容10-20%（因AI輔助下孩子學得更快，不需要拉這麼長週數）；全國性學習系統；小一到小三仍紙本優先 | 必修課還在，但內容大幅緊縮——這是最值得台灣參考的一點 |
★視覺圖解
AI時代最重要的核心能力，是「使喚AI」的能力——但使喚AI能力並不容易，一樣有聰明的使用者跟笨拙的使用者之分。
教育的方向要改變：不是要不要用AI，而是怎麼確保孩子在用AI的過程中，沒有把「自己思考」這一步外包出去。
教育的方向要改變：不是要不要用AI，而是怎麼確保孩子在用AI的過程中，沒有把「自己思考」這一步外包出去。