AI 擴大答案空間，博雅教育擴大問題空間
AI 出現之後，常有人問：
既然什麼都可以問 AI，我們還需要學那麼多知識嗎？
歷史年代還要記嗎？
物理公式還要學嗎？
不是自己專業的藝術、哲學、化學、數學，還值得花時間嗎？
這個問題背後，其實隱藏著一種很傳統的教育觀：
學習，就是把答案裝進腦袋。
如果教育只是如此，那麼人確實沒有必要和 AI 比賽。 一個人花十年累積的知識，AI 幾秒鐘就可以叫出來； 學生辛苦背下來的定義、公式、反應式與歷史資料， AI 往往知道得更多、更完整。
可是，知識真正重要的功能，從來不只是儲存答案。
知識更重要的作用，是在人的腦中建立一個世界模型。
學物理，我們開始用力、能量、尺度、對稱來看世界。
學化學，我們開始看到原子、分子、鍵結、結構與反應。
學歷史，我們知道眼前的制度與文化不是憑空出現。
學藝術，我們開始注意比例、形式、節奏、情感與表達。
學數學，我們逐漸習慣從複雜現象中抽象出結構、關係與規律。
每學一個領域，就像在腦中增加了一套新的座標系。
世界沒有因此改變，改變的是我們看世界的方法。
AI 很會回答，但是問題從哪裡來？
這可能是 AI 時代真正重要的問題。
一個完全沒有化學背景的人，可以問：
「苯為什麼穩定？」
AI 可以給他一個很完整的答案。
但是，如果一個人腦中已經有 Hückel rule、量子疊加、 非正交基底、tight-binding、多電子 Aufbau 等概念， 他可能突然問：
Hückel 的 4n+2 rule，能不能重新理解成某種 quantum-superposition rule？
非正交性究竟只是定量修正，還是可能產生新的定性圖像？
這些問題並不是因為他比較會寫 prompt， 而是因為他的腦中已經有許多概念，而這些概念有機會彼此碰撞。
知識也是問題生成器。
我們知道得愈多，並不只是能回答更多問題。 更重要的是，我們開始看得見更多異常、矛盾、類比與連結。
於是產生以前根本想不到的問題。
AI 擴大答案空間，人決定問題空間
生成式 AI 最驚人的地方之一，是它突然把「答案空間」擴大了。
以前一個問題如果跨到陌生領域，我們可能要找書、查論文、 請教專家，花幾天甚至幾個月才能繼續。 今天可以先問 AI。
它可以幫我們翻譯、整理、搜尋線索、寫程式、做計算、 比較不同學科的說法。
但這並不表示人的知識變得不重要。
恰恰相反。
因為 AI 可以往很多方向走。
你要它往哪裡走？
首先取決於你看見了什麼。 而你能看見什麼，又取決於你腦中已經有什麼樣的世界。
人的世界模型決定探索方向。
再往前一步：
這正是博雅教育重新變重要的地方
過去談博雅教育，常常碰到一個很實際的問題：
「學這個有什麼用？」
化學系學生為什麼需要藝術？
工程師為什麼需要歷史？
文科學生為什麼要理解自然科學？
如果教育只是為一份固定的工作訓練一套固定技能， 這些問題確實不好回答。
但是 AI 出現之後，事情反而改變了。
很多原本需要長期訓練的「怎麼做」，正在迅速變得容易。 寫程式、翻譯、畫圖、整理資料、分析文字、搜尋文獻， AI 都開始能幫忙。
於是人真正稀缺的能力逐漸往前移：
要做什麼？
為什麼值得做？
哪兩件原本不相關的事情，其實可以連起來？
這個答案有什麼地方不對勁？
還有沒有一個大家都沒有想到的問題？
這些問題，不是靠一套 prompt 模板就能產生的。 它需要一個足夠豐富的內在世界。
所以博雅教育真正的功能，或許從來就不是「什麼都懂一點」。
讓不同的概念有機會彼此相遇。
藝術可以遇到數學。
化學可以遇到拓撲。
生物可以遇到資訊理論。
歷史可以遇到人工智慧。
新的問題，往往就出現在學科的邊界。
從「學會回答」走向「學會發現問題」
過去，我們常把教育想成：
AI 時代，更值得培養的路徑可能是：
→ AI 協助探索 → 人的判斷
AI 並沒有讓學習變得不重要。
它只是讓「為什麼要學」這件事情變得更清楚。
我們學習，不是為了在記憶力上打敗 AI。
而是因為沒有足夠的知識，就沒有足夠豐富的世界模型； 沒有豐富的世界模型，就很難看見真正有趣的問題。
學、思、問、AI
兩千多年前，孔子說：
學而不思則罔，思而不學則殆。
到了 AI 時代，「學」與「思」之間，又多了一個新的夥伴——AI。
AI 可以幫我們學得更快，也可以幫我們把一個念頭推得更遠。
但如果沒有「思」，AI 只是快速產生答案的機器； 如果沒有「學」，我們甚至不知道應該往哪裡問。
思，是發現問題。
問，是指出方向。
AI，是加速探索。
最後，可以把整個想法濃縮成三句：
人的世界模型決定問題空間；
而博雅教育，就是擴大人的問題空間。
AI 時代真正重要的，也許不再是誰知道最多答案。
而是誰能看見別人還沒有看見的問題。
Comments
Post a Comment