當 AI 能回答一切問題時，我們還需要老師嗎？
——從 Polanyi 談「知識」與「判斷力」的分野
1946 年，科學哲學家 Michael Polanyi 在《Science, Faith and Society》中寫道：
科學教育分為三個層次：
學校教的是「死的知識」，大學讓知識活起來，
而真正的科學，只能在大師與學徒之間傳承。
在沒有電腦、沒有網路的年代，這段話看似只是對教育的觀察。
但在今天，它卻像一則預言。
一、AI：史上最強的「死文字機器」
如果科學教育的第一層，是「運用術語表達既有學說」，
那麼現代的 AI，已經將這件事推向極致。
- 它能解釋複雜概念
- 它能推導公式
- 它能整理文獻
- 甚至能模擬專家的語氣
換句話說：
AI 幾乎完全掌握了「資訊（Information）」的世界
但它所處理的，是：
- 可表達的
- 可編碼的
- 可重組的
也就是 Polanyi 所說的： 「死文字」（dead letter）
二、我們知道的，遠多於我們能說的
We know more than we can tell.
想像一位科學家在實驗室中：
- 他看到一個微小的異常數據
- 他「覺得哪裡不對」
- 他改變研究方向
這個「覺得」不是公式，不是邏輯，甚至不是語言。
它是一種：
- 經驗的沉澱
- 身體的感知
- 長期失敗後形成的直覺
這就是「默會知識」（Tacit Knowledge）
你可以展現它，卻很難完整說明它。
三、為什麼科學需要「大師」？
真正的科學訓練，不發生在課堂，而發生在：
大師與學徒的日常互動
學生學到的，不只是知識，而是：
- 如何選擇問題
- 如何判斷重要性
- 如何面對失敗
- 如何感知一個想法是否有生命力
這些能力，無法透過講義傳授。
它們只能透過：
- 觀察
- 模仿
- 長時間共處
慢慢內化。
四、AI 時代的危機：判斷力的流失
今天的學生面對問題時：
- 不再需要長時間思考
- 不再需要經歷卡關
- 不再需要真正懷疑
只要詢問 AI，就能得到一個「看似正確」的答案。
但判斷力，正是在掙扎中誕生的。
如果我們把：
- 計算外包給 AI
- 推理外包給 AI
- 甚至問題生成也外包
那麼我們培養的將是：
「答案的使用者」，而不是「問題的創造者」
五、未來教育：老師不再教答案
在 AI 時代，教育的核心必須轉移。
| 傳統教育 | 未來教育 |
|---|---|
| 傳授知識 | 訓練判斷力 |
| 標準答案 | 問題選擇 |
| 正確解法 | 不確定中的決策 |
未來真正重要的能力，不是你知道多少， 而是：
- 你如何判斷什麼重要
- 你如何辨識什麼值得相信
- 你如何在不確定中行動
AI 教你「知道」，老師教你「看見」
六、結語：AI 是放大器，不是替代者
AI 可以複製知識，可以生成資訊， 但它無法取代：
- 判斷
- 直覺
- 視野
因此：
AI 不會終結師徒制，反而讓它更珍貴
未來最優秀的學習者，將是那些能夠：
- 善用 AI 處理知識
- 同時鍛鍊自身判斷力
的人。
最後的問題
當 AI 能回答幾乎所有問題時，
你是否還知道，哪些問題值得被問？
📜 科學的前提假設 Michael Polanyi · 《Science, Faith and Society》1946
📖 學校科學教育讓人熟練運用科學術語來表述既定學說——即科學的死文字。基礎知識如基石般穩固，卻也如同沉寂的遺產，等待被後續的生命力喚醒。
🎓 大學則試圖讓學生認識到知識的不確定性與永恆的暫定本質，並讓他隱約瞥見既定學說中潛伏的、未來可能湧現的意涵，從而使這套知識重獲生機。大學也通過教授實驗證明的實踐、提供常規研究的初體驗，來培養科學判斷的初步能力。在這裏，懷疑精神與追問的勇氣開始取代教科書上的確定答案。
✨ 然而，唯有少數具備成為獨立科學家天賦的人，才能獲得對科學前提假設的全面入門，而他們通常只能通過與傑出大師的近身個人互動——分享其深層見解與實踐——才能達成。在研究型大學或頂尖研究機構中，科學發現最關鍵的前提假設得以培育。
🌟 正因如此，偉大的科學家常常如學徒般追隨偉大的導師。盧瑟福的工作帶有師從J.J.湯姆森的鮮明印記；盧瑟福的親傳學生中先後誕生了四位諾貝爾獎得主。精神分析的傳承、英國碳水化合物化學的師徒鏈——珀迪 → 歐文 → 霍沃思 → 赫斯特——無一不印證：科學中最具活力的部分，始終在人與人之間無聲地流淌，無法完全化約為文本或程式。
Comments
Post a Comment