AI 時代的教育，
不該只剩答題速度

答案愈容易取得，教育愈需要培養人如何提問、如何判斷，以及如何和別人一起處理沒有標準解的問題。

來源：Talks at Google／Rebecca Winthrop ｜原始發表日期：2026 年 7 月 30 日

SCROLL

PART 1 ｜ AI 改變了答案的稀缺性

當工具能立刻給出答案，背答案不再是教育的終點

Brookings 教育研究者 Rebecca Winthrop 在 Talks at Google 的訪談中，把 AI 放回教育的基本問題：學校究竟要幫一個人準備什麼。她並非主張把技術排除在教室外，而是提醒，若教育只把成功定義為快速給出正確答案，生成式 AI 會讓這套訓練的價值更難成立。

她的起點是人不是被動接收資訊的容器。孩子原本會提問、嘗試、修正；教育若只獎勵服從、標準答案與分數，可能把這些能力壓成「做完任務」的模式。AI 讓這個矛盾更明顯：工具可以替人產出文字或解題步驟，卻不能替人決定什麼問題值得問、哪個來源可信，或結果是否符合自己的價值。

Winthrop 的主張不是「少用 AI」。她要問的是：使用 AI 之後，學生是否仍在練習提出問題、驗證答案與負責任地作判斷。

PART 2 ｜從「完成模式」回到「探索模式」

Winthrop 以「探索模式」對照「完成模式」。完成模式重視效率、指令與成果；它在某些任務很有用，但若成為唯一習慣，學生會傾向先問「老師要什麼」，而不是「我想理解什麼」。探索模式則容許提出暫時沒有答案的問題、做小規模嘗試、從失敗修正，並在過程中建立自己的判斷。

AI 可以加速探索，也可以把探索短路。前者是把它當作對話者、反例產生器或回饋工具；後者是直接把產出交出去，讓看似完成的作業掩蓋尚未發生的理解。差別不在工具名稱，而在任務是否要求學生展示推理、選擇與修正的痕跡。

先提問說清楚自己要理解的問題與限制。

用 AI 擴展要求替代觀點、例子、反例或回饋。

再作判斷核對來源，解釋採用或拒絕答案的理由。

PART 3 ｜技術不能取代歸屬感

訪談也把焦點放在學校中的關係。Winthrop 認為，投入學習的前提不只是教材難度或工具品質；學生還需要感覺自己被看見、能參與，並相信所學與自己的生活、社群及未來有關。這是任何個人化系統都容易被忽略的部分：推薦得更精準，不等於一個人更願意投入。

因此，AI 若被用來削減教師與學生的互動，可能把教育最稀缺的元素拿掉；若它替教師減少重複性工作、提供更多診斷線索，讓人有時間進行有意義的對話，才可能擴大教育的價值。這是制度與教學設計的選擇，不是技術本身會自動決定的結果。

能力學生能否理解、練習並遷移知識。

能動性學生能否提出目標、做選擇並修正方向。

歸屬感學生是否感到被尊重、被需要且能參與社群。

PART 4 ｜把 AI 納入教育，也要把責任寫進設計

Winthrop 對 AI 的態度帶有明確邊界：教育者、家庭、學生與政策制定者都需要知道系統在做什麼、用了哪些資料、哪些結論只是機率生成，以及何時應由人介入。工具能帶來便利，但它也可能放大既有不平等、把評量變成監控，或讓沒有資源的人只能接受較少人際支持的版本。

所以最實際的問題不是「AI 是否會取代教育」，而是誰能決定它在教育裡的角色。若評量仍只看交出的答案，使用 AI 很容易變成作弊與偵測的軍備競賽；若任務本身重視過程、論證、協作與反思，AI 才有機會成為幫助人學得更深的工具，而不是替人掩飾沒有學習的工具。

答案變得便宜以後，
教育更該教人如何探索、判斷，
以及如何和別人一起生活。

這是 Rebecca Winthrop 在訪談中提出的教育觀點；具體 AI 政策與教室做法仍需依不同年齡、學科與資源條件檢驗。