在我開始教 AI 之前，我先被一堂音樂課打醒
周端政｜文化系統觀察者・AI 語意工程實踐者・樸活 Puhofield 創辦人
S0｜那堂不是鋼琴課的課：教育真正教的是什麼
我最近看到一段影片，一位音樂人帶著兩個孩子上課。他沒有急著教指法，也沒有急著糾正節拍，而是先停下來問了一句很重的話：
「我們是在上鋼琴課嗎？我們是在上音樂課嗎？」
這句話聽起來像玩笑，但它其實是在切開教育最常見的一個誤會——
我們常常把「技巧」當成「教育」本身。
第一段是一個九歲的小男孩。家長給他選了一首九〇年代的情歌《一千個傷心的理由》。孩子很努力地彈，努力把旋律彈得像樣，也努力讓自己的表情看起來「有情緒」。但那份情緒其實不是他的；九歲的孩子心裡怎麼可能真的裝得下一千個傷心的理由？他彈出的更像是一種「迎合」，是把大人的期待扛在自己身上。
老師沒有在那一刻說他彈錯，也沒有要求他更像原曲。老師做的是另一種更難的事情：他把曲子拆回孩子能理解的世界，先讓孩子找到「他自己想說的感覺」，再用簡單的旋律、和弦、節奏，一點一點把左手右手加回來，最後讓那首歌變成「屬於這個男孩的版本」。孩子開始笑，因為他不是在模仿，他終於彈出了自己的感受。
第二段是一個小女孩。老師問她：「日出是什麼感覺？日落呢？」他沒有給標準答案，只是引導她說出心裡的畫面。她慢慢說出：日落有點悲傷、日出比較溫暖；如果是在日出時散步，節奏可能要慢一點、柔一點。你看，孩子在那一刻學到的不是技巧，而是把內在感受翻譯成可被聽見的表達。
那位老師最後說：
「我不是在教你技巧，我是在教你怎麼感受音樂。」
我被這句話打中，不是因為它浪漫，而是因為它太現實。
如果作曲只是數學結構、和弦公式、段落配置，那麼電腦與 AI 早就能做得又快又好，幾秒鐘就能生成上百上千份「完美的譜」。那我們還要讓孩子用十年去練一場注定輸的比賽嗎？如果教育只剩下技巧，那它會很有效率，但也會很快失去意義——因為技巧一旦可被標準化，就一定會被自動化。
也正是因為這段影片，我才回頭重新問自己：
當我談「AI 與教育」時，我到底在談什麼？
我並不是沒有走過制度的人。我接觸過聯合國體系中關於 AI 與倫理、AI 與法律的正式文件，也完成過聯合國相關體系的遠端教育與培訓課程，並取得 Google 的 AI 教育與實務相關認證。我理解這些框架為何存在，也知道它們嘗試解決的問題是什麼。
但同時，我也必須很清楚地交代：我尚未正式在大學體系開設 AI 相關課程。正因如此，我更不允許自己把「流行的工具教學」當成教育，然後在站上講台之後才發現：我其實只是在教一套很快就過期、而且 AI 會做得更好的東西。
所以這篇文章談的不是「我怎麼教 AI」，而是——
在我開始教 AI 之前，我必須先想清楚：教育真正要教的是什麼；而不是教什麼看起來最前沿、最討喜、最容易被驗收。
更何況，我還有一個無法忽略的身分：我的女兒正在念大學。這讓我不能只用「內容設計者」的角度談教育。我必須問自己一個很具體的問題：
如果今天坐在教室裡的是我的女兒，我希望她學到的是什麼？
是下一次工具改版就失效的操作技巧？
還是能陪她走過十年變動的理解、判斷與表達能力？
這不是一個可以用課綱解決的問題。
但它是我在真正開始教 AI 之前，必須先回答的起點。
S1｜當制度對我最有利時，教育往往已經偏離學生
如果我誠實地面對自己，就不能跳過一個更尖銳、也更不舒服的問題。
在現行制度裡，一門課怎麼設計、要教什麼內容，從來不是在真空中發生的。
評鑑、升等、計畫申請、研討會發表——這些制度性指標，實際上會深刻影響一個人「選擇教什麼」。
如果我把「對我最有利」放在第一順位，那麼課程設計很自然就會往某些方向傾斜：
題目要夠新、名詞要夠前沿、架構要說得出口，最好還能對應到國際趨勢與政策語彙。
AI，正好完美符合這些條件。
談 AI 的原理、架構、模型演進、大型語言模型的設計邏輯，看起來學術、合理、也容易被視為「有深度」。這些內容很適合拿去研討會發表，也很容易被包裝成「前瞻研究」或「跨域教學」。
但如果我暫時把制度放在一邊，回頭問一個更簡單、也更殘酷的問題：
這些內容，對學生真正有什麼長期幫助？
答案其實並不樂觀。
AI 的架構與模型演進，更新速度遠遠超過課程週期。半年、一年之後，今天被視為核心的內容，很可能已經被新的技術路線完全取代。學生記住的，往往只是一組過期的名詞，而不是可遷移的能力。
於是，一個矛盾開始出現：
對制度而言，這樣的課程「看起來很成功」；
對學生而言，卻可能只是參與了一場短暫有效、但無法累積的學習。
如果我明知這一點，卻仍然選擇把制度利益放在前面，那我其實已經在用學生的時間，替自己完成一套合理但自利的設計。
而這，正是我在「開始教 AI 之前」，最不能輕率跨過的一條線。
S2｜時間尺度錯位：連 AI 新創都撐不住的世界，為何要學生硬追？
當制度利益被放在前面，課程內容自然會往「可被命名、可被發表、可被評量」的方向靠攏。但即使暫時不談動機，只從結構來看，AI 教育本身就存在一個無法忽視的問題——時間尺度的根本錯位。
教育體系運作的節奏，是以學期、學年與課程大綱為單位。一門課從構想到審查，從通過到實際開課，往往需要一年以上的時間。即便內容再前沿，一旦進入課程結構，就已經被固定在某一個時間點的理解之中。
但 AI 的發展，並不遵循這樣的節奏。
模型能力的躍進、工具介面的翻新、工作流程的重組，往往發生在數月之內，有時甚至是幾週。今天仍被視為關鍵能力的操作方式，可能在下一次模型更新後，立刻被新的介面或自動化流程取代。
這一點，其實早已在市場上被反覆驗證。
自從 AI 能力開始大幅提升之後，這幾年出現了大量以「當下 AI 能力」為核心的新創服務與創業模式。它們反應最快、離現場最近，也最有動機緊貼技術前沿。
但我們同時也清楚看到：
不少新創服務，早已在半路消失。
不是因為執行不力，而是因為世界變得太快。
模型能力的躍遷、平台策略的改變、工具整合方式的翻轉，往往直接抹平了原本的商業基礎。昨天還成立的服務，今天就失去了存在必要。
這個現象本身就說明了一件事：
即使是以 AI 為核心競爭力的專業團隊，都無法保證自己的模式能撐過一個完整週期。
在這樣的環境下，若我們期待學生用數年的學習時間，去掌握某一代工具、某一套流程，甚至某一種模型理解，本身就是一種錯置。
問題不在於教得新不新，而在於——
世界的變化速度，已經超過任何以「追逐工具」為核心的學習設計。
當連市場上最敏感的新創公司，都必須承認「追不上變化」是常態時，教育若仍假設自己可以靠更新課綱來解決問題，無疑是誤判了戰場。
在 AI 的情境下，時間尺度錯位不是偶發，而是必然。
如果我們不正視這一點，那麼再前沿的課程設計，也只是在用制度允許的速度，教一個早已離開現場的世界。
S3｜當連新創都撐不住，為什麼還要把學生訓練成技巧熟練者？
如果連最貼近現場、最有動機追逐技術的新創團隊，都無法保證自己撐得過一個完整週期，那我們其實已經得到一個非常清楚的訊號。
問題不在於誰學得夠不夠快，而在於——
這個世界已經快到，不再獎勵「技巧熟練者」。
新創團隊之所以會失敗，往往不是因為不夠努力，而是因為他們押注的，是某一個「當下看起來合理」的能力組合：某一代模型、某一種介面、某一套工作流程。當技術環境整體翻轉時，這些努力就會在極短時間內失去立足點。
把這個現象拉回教育現場，其實非常不安。
因為我們正在做的，正是把學生放進一個同樣的賭局：
要求他們用時間、注意力與學習成本，去換取某一代技巧的熟練度，然後期待這些技巧能成為未來的護身符。
但在 AI 的環境裡，技巧本身正在快速貶值。
只要一個流程可以被拆解成步驟，它就會被自動化；
只要一種操作可以被教學化，它就會被內建；
只要一套技巧可以被標準化，它就會被模型吸收。
在這樣的前提下，教學生如何把某一套技巧做得更好，並不等於在替他們累積優勢。很多時候，只是在延後被淘汰的時間點。
這並不是對學生的不尊重，而恰恰相反——
這是一個我們必須替學生先承擔的判斷。
如果我們明知技巧正在加速失效，卻仍然把「技巧熟練」包裝成安全選項，那其實是在把風險往後推給學生自己承擔。
而這，正是我在思考 AI 教育時，始終無法接受的一件事。
因為一旦教學的核心被設定為「把技巧做到更熟」，我們其實已經預設了一個錯誤的競爭場域：
讓人類在 AI 最擅長的領域裡，和 AI 比速度、比結構、比穩定性。
這不是挑戰，而是消耗。
真正該被訓練的，從來不是「如何把工具用得更熟」，而是——
在工具快速失效的情境下，人是否仍然具備判斷、轉向與重新定位的能力。
而這種能力，正好是「技巧導向的課程」最難教、也最常被忽略的部分。
S4｜為什麼這一切，其實早就在那堂音樂課裡被說完了
走到這裡，如果再回頭看那堂音樂課，事情其實已經非常清楚了。
那位老師真正做的，並不是「不用技巧」，而是拒絕把技巧當成終點。
技巧存在，但它只是工具；它永遠是為了服務某個更核心的東西——感受、判斷，以及「我為什麼要這樣表達」。
九歲的男孩彈《一千個傷心的理由》時，技巧沒有問題，結構也沒有錯。
真正不對勁的，是那首歌承載的情緒，並不屬於他。
如果老師只是要求他「彈得更像」，那孩子學會的，會是一種極為危險的能力：用不屬於自己的感受，完成一個看起來正確的結果。
那位老師選擇了另一條路。
他先把音樂拆回孩子能理解的感覺，再慢慢把技巧放回來，讓技巧成為「表達自我」的工具，而不是「迎合外部期待」的手段。
小女孩談日出與日落時，也是一樣。
老師沒有給她標準答案，而是引導她辨識差異、調整節奏、感受氛圍。
她學到的不是怎麼彈得正確，而是怎麼把模糊的內在經驗，轉化成可以被聽見的形式。
這正是那句話真正的重量所在：
「我不是在教你技巧，我是在教你怎麼感受音樂。」
如果把這個場景直接換成 AI 教育，對照會變得近乎殘酷地清楚。
當我們教學生的是：
如何下指令、如何調參數、如何優化流程、如何做出「像樣的成果」，
我們其實正在做和那位家長一樣的事——
把一套看起來成熟、但不一定屬於學生的結構，直接套在他們身上。
學生或許能產出結果，也可能因此被稱讚有效率、跟得上時代。
但如果他們從來沒有被訓練去辨識：
「這是不是我真正要解決的問題？」
「這個結果在什麼情境下才有意義？」
「當工具改變時，我還剩下什麼？」
那麼，他們學到的，很可能只是另一種形式的模仿。
AI 可以在幾秒鐘內生成結構完美的內容，
就像電腦可以生成無數首結構正確的樂曲。
如果教育只教這一層，那人類站在教室裡的理由，其實早就消失了。
那堂音樂課真正保留下來的，不是技巧，而是一個位置：
人在表達之前，必須先能感受；
在生成之前，必須先知道自己為什麼要說。
而這個位置，正是 AI 無法替代、也無法代替學生承擔的部分。
S5｜在 AI 時代，教育真正該為學生保留的那個位置
走到這裡，其實已經可以很清楚地看見一件事：
在 AI 快速擴張的環境中，教育真正的問題，從來不是「要不要教 AI」，而是——我們要把學生放在什麼位置上學習。
如果學習的核心，是熟練某一套技巧、某一代工具、某一種流程，那學生被放置的位置，其實非常明確：
他們被期待成為一個更有效率的執行者。
但這個位置，在 AI 的世界裡，正在迅速失去意義。
因為執行本身，正在被全面外包；
結構與格式，正在被自動內建；
甚至連「產出品質」，都不再需要透過人類的反覆練習來保證。
在這樣的前提下，如果教育仍然把學生訓練成「能把事情做得很像、很快、很完整的人」，那其實不是在為他們準備未來，而是在把他們推向一個越來越狹窄的位置。
真正需要被保留下來的，是另一種能力——
在工具唾手可得之後，人仍然知道自己為什麼要使用它。
這個能力，不是技巧，也不是知識點，而是一個更深層的位置：
-
能夠在生成之前，先判斷問題是否值得被解
-
能夠在結果出現之後，辨識它在什麼情境下才有意義
-
能夠在工具失效時，重新理解自己真正想做的是什麼
-
能夠為自己的選擇承擔後果，而不是把責任交給流程或模型
這些能力進展緩慢、難以驗收，也不容易被量化成成果指標。
它們不討喜，也不保證立刻帶來回饋。
但正是因為如此，它們才無法被快速複製，也無法被自動化取代。
那堂音樂課之所以成立，正是因為老師選擇保留了這個位置。
他沒有急著把孩子變成「彈得像樣的人」，而是先確保他們仍然站在「能感受、能理解、能表達自己」的位置上。
AI 教育亦然。
如果教育的任務，只是讓學生學會駕馭當下最強的工具，那這份教育很快就會過期；
但如果教育願意替學生保留那個不被工具吞沒的位置，那麼即使工具不斷更替，學生仍然能夠重新站穩。
這不是保守，也不是抗拒技術。
恰恰相反，這是對變動速度的正確認識之後，所做出的最務實選擇。
因為在一個什麼都能被快速生成的時代，
唯一真正稀缺的，從來不是產出，而是理解與判斷。
補充章節｜「只教最好的學生」在 AI 時代所隱含的結構性風險
在高等教育場域中，經常可以聽到一種自我定位的說法：
教師以「只在頂尖大學任教、只教最優秀的學生」作為專業能力與教學品質的象徵。
在過去，這樣的定位具有其合理性。因為高等教育長期以來所獎勵的，是在既有制度中表現最穩定、最符合規範、也最能有效掌握既定方法的學生。這些能力，確實曾經對個人的職涯發展與社會流動具有高度正相關。
然而，AI 的出現，使這個前提首次需要被重新檢視。
從能力結構來看，「體制中被訓練得最完整的學生」，往往具備高度標準化的特質：
對既有問題框架的高度適應力、對既定方法的熟練掌握，以及在明確規則下追求最佳解的能力。
但正是這些能力，在 AI 系統快速成熟後，開始顯示出高度可替代性。
因為一旦問題被清楚定義、流程被拆解、評估標準被形式化，AI 在速度、穩定性與一致性上，往往能超越人類個體。
這並不意味著頂尖學生「不再優秀」，而是指出一個結構性的轉變：
過去被教育體系視為高度價值的能力組合，正在喪失其獨佔性。
在這樣的背景下，若教育仍然以「你是否已經是體制定義下的優等生」作為進入 AI 教育的門檻，實際上可能產生一個反效果——
優先培養的，反而是最容易被自動化吸收的能力形態。
這使得「只教最好的學生」這一說法，在 AI 時代需要被重新理解。
它不再只是教育資源集中或教學品質的象徵，也同時成為一個必須被審視的風險訊號：
當教育過度聚焦於既有體制下的優化，是否反而忽略了學生在高度不確定環境中，重新定位自我的能力？
因此，真正值得被討論的問題，並非學生是否「夠好」才有資格學習 AI，而是——
教育所定義的「好」，是否仍然對應未來所需的不可替代能力。
這個問題，不只關乎教學內容的選擇，也關乎高等教育在 AI 時代所扮演的角色定位。
結語｜在我真正開始教 AI 之前，我不能對這些事視而不見
我並不是站在講台上，回頭質疑教育。
恰恰相反，正因為我還沒正式開始在大學體系教 AI，我才必須先把這些問題想清楚。
我看過制度如何運作，也理解評鑑、升等與計畫為何存在；
我接觸過聯合國體系中關於 AI 與倫理、AI 與法律的正式框架，也完成過相關的遠端教育與培訓；
我同時也持續在實務世界裡，看著工具、模型與工作方式，一次又一次被快速改寫。
但在所有角色之外，我還有一個無法抽離的身分——
我是一個父親。
我的女兒正在念大學。
這讓我無法只用「制度合理」來安慰自己，也無法只用「這樣比較好教」來做決定。
如果今天坐在教室裡的是她，
我真的希望她學到的是什麼？
是某一代很快就會過期的工具操作？
是一套看起來前沿、實際上只能撐一個短週期的流程？
還是那種即使世界翻轉，仍然能幫助她判斷方向、理解情境、為自己選擇負責的能力？
那堂音樂課之所以一直留在我心裡，正是因為它誠實地回答了一件我們常常逃避的事：
如果教育只教得出技巧，那它終究會輸給機器。
真正困難、也真正值得被留下來的，從來不是「怎麼做得更像」，
而是「我為什麼要這樣做」。
在一個什麼都可以被快速生成的時代，
教育如果連這個問題都不願意替學生先想過一次，
那麼再新、再熱、再完整的課程設計，
都只是把選擇延後，交給學生自己承擔。
所以，在我真正開始教 AI 之前，
我選擇先站在這裡，把位置想清楚。
不是因為我已經有答案，
而是因為有些問題，一旦被忽略，就再也補不回來了。
Q1｜在 AI 時代，為什麼「教技巧」反而可能對學生不利？
因為 AI 正在快速吸收、內建並自動化各種可標準化的技巧。當教育把「技巧熟練」當成核心目標時，學生其實被放進一場結構上必敗的競賽——與 AI 在速度、穩定性與產量上競爭。短期看似實用的技巧，往往在工具更新後迅速失效，無法轉化為長期可遷移的能力。
Q2｜那 AI 教育是不是就不該教工具或操作方式？
不是不教，而是不能只教。工具與操作可以作為入口，但不該成為終點。真正關鍵的是：學生是否理解「為什麼在這個情境下使用這個工具」，以及「當工具失效或被取代時，自己還剩下什麼判斷能力」。工具是手段，不是教育的核心價值。
Q3｜為什麼 AI 的發展速度，會讓傳統課程設計出現結構性問題？
因為教育體系以學期、學年與課綱為節奏，而 AI 的變化往往以月甚至週為單位。這種時間尺度錯位，導致課程一旦成形，內容就已經開始老化。這不是教師或學生的問題，而是制度節奏與技術節奏本質上不相容。
Q4｜AI 新創快速失敗，和教育有什麼關係？
AI 新創通常是最貼近技術現場、反應最快的一群人，但即便如此，仍有大量服務在短時間內被淘汰。這個現象證明：即使以 AI 為核心競爭力，也無法保證模式能撐過一個完整週期。若連新創都撐不住，要求學生用多年學習去追逐某一代工具，本身就是高風險設計。
Q5｜為什麼談 AI 架構、模型原理，對學生幫助有限？
這類內容在學術與制度層面「很好看」，也容易被納入評鑑與研究發表，但對多數學生而言，它們更新極快、應用情境有限，且難以轉化為實際判斷力。學生往往記住名詞，卻無法在現實問題中知道何時該用、何時不該用 AI。
Q6｜這篇文章反對 AI 教育或 AI 進入校園嗎？
不反對。文章反對的不是 AI，而是把短期制度利益或流行題目，誤當成教育本身。AI 是工具，也是環境的一部分；問題在於教育是否願意替學生保留「理解、判斷與責任承擔」的位置，而不是只訓練他們成為更有效率的執行者。
Q7｜那在 AI 時代，教育真正該培養的是什麼能力？
是三種高度相關、卻難以量化的能力：
-
在生成之前，判斷問題是否值得被解
-
在結果出現之後，理解它在什麼情境下才有意義
-
在工具改變時，仍能重新定位自己要解決的問題
這些能力無法被快速自動化，也無法靠工具替代。
Q8｜為什麼作者在「還沒正式教 AI 之前」就提出這些質疑？
正因為尚未站上講台，才必須先把教育的倫理位置想清楚。這不是對制度的否定，而是一種前置責任：在開始教之前，先確認自己教的，不會只是對制度有利、卻對學生人生幫助有限的內容。尤其當作者同時也是一位父親，這樣的提問無法迴避。
References（APA 7th Edition）
Autor, D. H., Levy, F., & Murnane, R. J. (2003).
The skill content of recent technological change: An empirical exploration. The Quarterly Journal of Economics, 118(4), 1279–1333. https://doi.org/10.1162/003355303322552801
Acemoglu, D., & Restrepo, P. (2020).
Artificial intelligence and jobs. Journal of Economic Perspectives, 34(3), 30–54. https://doi.org/10.1257/jep.34.3.30
Brynjolfsson, E., Rock, D., & Syverson, C. (2021).
The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333–372. https://doi.org/10.1257/mac.20180348
CB Insights. (2023).
The top reasons startups fail: AI sector analysis. CB Insights Research.
https://www.cbinsights.com/research/startup-failure-reasons-top/
Collins, R. (2019).
The credential society revisited. Sociology of Education, 92(4), 290–305. https://doi.org/10.1177/0038040719878924
Marginson, S. (2016).
The dream is over: The crisis of Clark Kerr’s California idea of higher education. University of California Press.
Nussbaum, M. C. (2010).
Not for profit: Why democracy needs the humanities. Princeton University Press.
OECD. (2021).
Artificial intelligence, skills and education: A framework for policy action. OECD Publishing.
https://doi.org/10.1787/3c6d5b59-en
Polanyi, M. (1966).
The tacit dimension. University of Chicago Press.
UNESCO. (2023).
Guidance for generative AI in education and research. United Nations Educational, Scientific and Cultural Organization.
https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research
