我想直接說出這一兩年我最強烈的感受：AI 對教育的衝擊是真實的，而且已經到了。它不是一個「未來也許會發生」的假設，而是正在改變我們的學生畢業後要面對的世界。
有兩件事，我認為每一位教育工作者都該正視。第一，AI 已經比大多數學生更會考試。標準化的考試考的是在限定時間內，把一個有標準答案、解法也大致已知的問題解出來，這正是今天 AI 最擅長的事。我們花十幾年、用一整套制度去篩選與排名的那種能力，如今用幾個對話就能又快又便宜地完成。
第二，AI 已經比初階工程師更會寫程式。在題目清楚、上下文有限、驗收方式明確的任務上，AI 的產出又快又實用。這當然不代表 AI 能取代一個完整的工程師，但它已經足以讓企業聘用初階工程師的舊標準失去意義。
就業市場已經給出訊號。根據裁員追蹤機構 layoffs.fyi，2026 年到年中，科技業已有超過 12 萬人被裁員；更值得注意的是，AI 已經成為裁員理由中被點名最多的一項。人力顧問公司 Challenger, Gray & Christmas 統計，2026 上半年被歸因於 AI 或自動化的裁減職位超過 10 萬個，AI 連續數月高居裁員主因之首。初階職位受到的衝擊又更明顯，創投機構 SignalFire 的報告指出，其定義的美國前 15 大科技公司招募應屆畢業生的人數，相較 2019 年已經下滑超過一半。當然，裁員的原因很多，不能全算在 AI 頭上；但方向已經很清楚：產業對「把定義清楚的任務做出來」這種初階人力的需求，正在快速縮小。
把這些放在一起，會得到一個讓我不安、但我認為必須說出口的結論：我們的教育系統最擅長培養、也最擅長獎勵的那種能力，恰好是 AI 最先、也最徹底拿走的那一種。
過去這套教育相當成功：它把龐大的知識有系統地傳給學生，用考試與文憑替社會做初步篩選，也給了許多沒有背景的孩子一條清楚的上升路徑。問題是，我們過去的成功，在 AI 時代反而成了風險，而且我們愈成功，風險愈大。我們把學生的解題能力訓練得很強，但在 AI 時代，只會解題已經不夠了。於是問題變得很具體：那到底什麼能力還稀缺？我們的學生有沒有？以及，大學該怎麼調整，才能把這些能力補上？
當 AI 吃掉初階工程師的工作，大學該教什麼軟實力？
我自己在台大資訊工程學系拿到學士，之後取得資訊工程的碩士與博士。畢業後，我在業界待了很長一段時間，先後在 Google、Microsoft 與華碩做過軟體工程與軟體管理的工作，也在清華大學資訊工程系教過書。幾年前，我從業界退休。正因為我在學校與大型軟體組織兩邊都待過，我一直感覺到，學校最容易評量的能力，和業界真正需要新人補上的能力，中間有一段落差。AI 出現之後，這段落差更被放大了。
我開始認真想：我能不能為台灣的學生做點什麼，幫他們更早準備好面對這個世界？後來，台大資工系的系主任邀請我回台大開課，給了我一個難得的機會，把我的假設用一門實驗性的課程，真的放進一間教室裡去試。
在 AI 時代，一個資工學生要走得穩，需要兩件事：一個穩固的硬底子，加上一組長期被我們低估的軟實力。
首先，硬技能仍然重要，甚至是前提。資料結構、演算法、作業系統、計算機網路這些扎實的計算機科學基礎，以及把程式寫好的能力，在 AI 時代依然是必要的。看不懂程式、不懂系統怎麼運作的人，根本沒辦法判斷 AI 給的答案對不對。差別在於：這些硬底子，過去幾乎就是全部；在 AI 時代，它們變成「必要，但不再足夠」。你還要能熟練地把 AI 當成槓桿，讓寫程式從「打字」變成「指揮」。
第二，也是我認為真正拉開差距、而且最該被大學補進課程的，是一組軟實力。它們偏偏是傳統教育最少教、也最少考的。原因其實不難理解：這些能力比較主觀、不容易量化評分，也很難在一間大班的課堂裡規模化地教。但正因為難教，我們過去幾乎把它整個外包給了職場。
我認為最關鍵的三項軟實力分別是：
1. 主動自學。在 AI 時代，不會再有人把你該學的東西按進度整理好送到你面前。真正的能力是在需要的時候，自己主動把新的知識與技能學起來，並且善用 AI 當作最強的自學工具，而不是等著被教。
2. 面對模糊、自己定義問題。真實世界不會發給你一張考卷，最難的往往不是解題，而是先搞清楚「問題到底是什麼」。當 AI 已經很會解定義清楚的問題，人真正的價值，就往上移到定義問題、判斷方向這一層，而這一層恰恰是課堂裡最少練習到的。
3. 主動協作與向上溝通。複雜的系統靠彼此依賴，卡住的時候要主動去找相關的人一起解，而不是坐著等別人來找你；同時，也要主動向上釐清「什麼重要、什麼緊急」，把取捨與風險講清楚。在真實的團隊裡，很少有事情能靠一個人默默完成，而這種主動與人協作、主動對齊期待的習慣，最需要在真實情境裡才練得出來。
我知道還有其他重要的能力，例如系統性地驗證 AI 或別人寫的大段程式碼；但為了讓焦點集中，我把假設收斂在上面這三項，因為它們是我認為最關鍵、也最能在這門課裡被直接觀察到的。
我也要在這裡澄清一個容易被誤會的地方。上面這些軟實力，並不是 AI 時代才「突然變重要」的。它們在軟體產業裡一直很關鍵，只是過去對初階工程師的要求沒那麼高：新人可以先做定義清楚的執行工作，在公司裡邊做邊學，等到往上爬、承擔更大責任時，再慢慢補上這些能力。AI 改變的是這條路徑本身。當初階的執行工作大量被 AI 吸收，企業不再需要那麼多初階新人邊做邊學，那個在職場裡自然補課的入口，正在關閉。這些原本「進公司才學」的能力，現在必須提前，在學校裡就開始教。問題只剩一個：學校，真的教得會嗎？以及，該怎麼教？
一個真實、開放、有標準卻永遠做不完的題目
我課程的題目，是接手並持續演化一個真正運作的網頁搜尋引擎。沒錯，就是跟 Google 一樣的網頁搜尋引擎。它不是一份寫完就交的作業，而是一套跨屆延續的「活教材」：後來的學生要接手前一屆留下的程式碼，在上面分析、重構、演進。系統的模組彼此高度相依，一個模組卡住，常常會卡住另一組，協作在這裡是必須。
值得一提的是它的執行環境。這個搜尋引擎是實實在在跑在一組硬體資源上的：它可以架在本地，也可以放上雲端；規模上可以從寥寥幾台機器起步，也可以一路擴張到上百台機器。可用的硬體資源有多少，會直接牽動架構要怎麼設計，逼學生在效能、成本與涵蓋率之間做真實的取捨。以這門課為例，它就跑在同一個區域網路裡的兩台高效能工作站上；資源有限本身，也成了題目的一部分。
我用一組客觀指標來衡量成果。每隔 2 週，透過 Google Trends 取得一批當期實際的查詢，再由它換算出一組對這些查詢可能重要的高排名網頁，作為近似的「黃金標準」。我們拿它跟自家系統比對，追蹤發現（Discovered）、爬取（Crawled）、索引（Indexed）、排序（Ranked）這幾個階段的涵蓋率，以及最後衡量的搜尋引擎延遲（Latency）。這個設計的關鍵在它同時具備兩個性質：它有可量化的標準，學生不能只說「我覺得有進步」；但這個標準每 2 週更新一次，目標一直在移動，所以它又不是一份可以做完交掉的作業。學生面對的，是一個會移動的真實目標，必須不斷觀察、假設、驗證、修正。
我選搜尋引擎，是因為它是一個高度開放的工程問題：在有限的機器資源下，每一屆學生長出來的架構都會不一樣，而且永遠做不完；它同時涵蓋資料結構、機器學習、系統效能、系統可靠性與可擴展性等許多面向，空間夠大，讓不同專長的學生都找得到自己的題目。
更重要的是，這個題目夠「真實」。網際網路本身就是一個極其龐大的空間：數不清的網站、形形色色的網頁，還夾雜著各種語言與格式，雜亂又沒有邊界，跟課本裡那種條件乾淨、答案唯一的題目完全是兩回事。一個一直習慣解那種定義清楚、答案唯一之題目的學生，第一次面對這種真實世界的混亂，難免會有點不知所措；而這正是我希望發生的。這門課，某種程度上就是要給他們一次現實的檢驗，讓他們親身體會：真實的工程問題，往往沒有標準的樣子，也沒有人會先幫你把邊界畫好。既然是真的在爬別人的網站，我也要求學生嚴格遵守 robots.txt。
刻意反轉的教師角色
這門課還有一個我認為最關鍵的設計：我刻意把教師的角色往後退。搜尋引擎的基本知識，我要求學生先用 AI 和文件自學；我不把每週作業拆好發給他們，也不替他們安排每一次協作。我主要做 3 件事：審查他們的設計、追問他們的假設與驗證方法、盯住系統指標。這麼做不是因為老師不重要，而是因為我想測一件事：當知識取得變得很便宜，老師更重要的價值，是不是會從「講授」轉向「判斷、審查、經驗與當責」？這其實就是 AI 時代人類工作的縮影，我把它搬進了教室，讓學生現場經歷一次。
我允許、也鼓勵學生使用 AI 工具理解既有程式碼、查文件、產生初版程式、輔助除錯。但我把責任講得很清楚：你可以用 AI 幫你寫，可是寫出來的程式碼品質，是你自己要負責的。這套系統是全班共用、而且要全天候 24 小時不間斷運轉的；只要你推上去的東西出問題、讓系統掛掉，那就是你的責任，而且會連累到所有共用這套系統的同學。這麼做，是要逼他們對 AI 產出的每一行程式碼負起責任，而不是把「這是 AI 寫的」當成免責的藉口。換句話說，我不評量他們是否親手打出每一行程式，而評量他們是否能定義問題、善用工具、判斷結果、承擔後果。
把這些設計放在一起看，它們其實各自對準了前面那三項軟實力。老師不講、要學生用 AI 自學，逼的是主動自學；只給一個會移動的指標、不給題目的解法，逼的是面對模糊、自己定義問題；模組彼此相依、機器資源又有限，逼的是主動協作與向上釐清優先序。換句話說，這門課的每一個設計選擇，都是為了讓學生無法迴避這 3 件事，只能在真實的處境裡把它們練起來。而學生在課堂與期末反思裡的表現，正好回頭檢驗了這 3 項假設。
10人以下的實驗課：讓學生在模糊中學會主動探索
為了避免一開課就陷入混亂與過度的不確定，在正式對外開放選課之前，我已經先花了一個學期，帶著兩位助教運用開源套件，把一個最小可行的系統建起來，完成了發現（Discovered）與爬取（Crawled）兩塊的涵蓋率量測，作為學生接手的起點。事後證明這一步非常關鍵、也非常必要。它讓學生一開始就有一個在程式碼與指標上都能立足的基礎；如果沒有它，第一學期的進度與觀察，都會慢上許多。
因為這是一門實驗性的課，把對的學生選進這個實驗裡就格外重要。我親自面試每一位報名的學生，最後把修課人數控制在 10 人以內。我刻意嚴選、也刻意壓低人數，是為了避免一開始就陷入混亂，讓這個要被量測、被觀察的實驗環境，維持在我掌握得住的範圍內。我確認每一位選進來的學生都有扎實的資工基礎；也對每個人都先打過預防針：這是一門需要高度投入的課，問題是開放的，你必須主動學習、主動協作，並且要能自己面對模糊。選進來的學生都來自資工或電機系，大約一半是大三、大四的大學部學生，另一半是研究生。
開課後，我先花了幾個小時，向學生講解一個網頁搜尋引擎的整體架構、關鍵模組，以及每個模組的輸入與輸出；助教則講解那套最小可行系統的程式碼，還有我們是怎麼建立那組指標的。接著，我們給每位學生一個起始題目，有的簡單、有的難，並告訴他們：儘快把起始題目完成，然後往外擴展，去找出最有價值的地方下手。
之後，我們每週見一次面做進度檢視，學生輪流報告進展、分析問題、提出計畫；我聆聽、追問、引導，但不給最後的答案。我讓學生自由去探索可以做的專案，但我一再強調「指標實質貢獻」才是重點，也就是要依序把發現、爬取、索引、排序這幾個階段的網址涵蓋率往上提升。
這門課沒有考試，也沒有期中考。最後的成績，一半來自同儕互評，一半來自我的主觀評分，依據是期末的專案報告與簡報。同樣地，每個專案帶來的指標實質貢獻，是決定成績最重要的因素。
這門課最後測出了什麼？
先說客觀指標上的成果。這一學期，學生確實把「發現」與「爬取」到的網址數量，往上推了大約 20 倍，這兩個階段的涵蓋率也跟著顯著提升；「索引」的挑選，也完成了第一輪。至於「排序」的涵蓋率，這學期還沒有什麼進展，延遲也還來不及量測；這些，都是下一學期要接著做的事。硬技能這一塊，也有一個值得一提的觀察：學生幾乎所有的程式，都是交給 AI 寫的。這也把評量的重點，從「誰打得多」，移到了「誰能駕馭 AI、又扛得起品質」。
但這篇文章真正的重點，是接下來要談的軟實力。這部分混合了我個人的主觀觀察，以及期末學生匿名留下的回饋。文中引用的學生原話均已去識別。
第一項「主動自學」，缺口很明顯。這門課我刻意不先講搜尋引擎是什麼，要學生自己用 AI 和文件去補；結果有一位學生中途退選，因為他期待的是老師講授、按進度發作業的上課方式，少了那套鷹架就不太適應。也有一些學生整個學期都停在一開始拿到的起始題目上，即使很小也只把它做完，很少主動往外延伸，去把新的東西學起來。
但願意投入的學生，很快就長出了另一種學習方式，而且自己講得出來。有學生在給後來修課者的建議裡直接寫：「系統這種東西，不是靠讀懂或討論學會的，而是靠真的動手改、看它怎麼反應、收到回饋、修好問題、一次次迭代學會的」；也有人建議「先把系統跑起來，跑起來才能真正做實驗」、「改動拆小一點，方便別人檢視」。這正是主動自學該有的樣子。
第二項「面對模糊、自己定義問題」，這是我最想測、也最擔心的一項，因為它和學生過去最擅長的「解一道定義好的題」正好相反。一開始，把一個沒有標準答案、目標又每 2 週移動的題目丟給他們，確實有人會愣住，不知道從哪裡下手。
而事實也確實如此。一開始，他們在「提升涵蓋率」上並沒有太多進展，儘管爬取與發現的「數量」已經衝上去不少。原因不難理解：把數量做上去，是一個定義清楚的工程問題，正好落在他們最擅長的地方；但要把涵蓋率提上來，就得去猜 Google 在挑選索引時到底做了什麼，這就不是一個定義好的問題了，他們花了好一段時間，才摸索出一個比較好的切入方式。
在他們卡住的那段過程裡，我刻意忍住，不去告訴他們正確的方向；反而鼓勵他們跳脫框架去想，然後耐著性子，等他們自己思考、嘗試、失敗。但到最後，他們還是在學期快結束時做出了進展。這也是學生成長最有力的證據。他們在期末反思裡，用自己的話，幾乎精準地講出了我想驗證的假設。
一位學生寫：「在 AI 時代，思考的重要性確實大於實作；這學期我幾乎沒有自己手寫程式，真正的價值變成怎麼定義問題、判斷方向、驗證結果。」另一位說：「真正稀缺的能力，是定義問題，而不是解問題；AI 已經能把定義清楚的問題解得很好，我們該往上學的，是去定義問題本身。」還有一位表示：「在很多課，問題早就被定義好了；但在這個專案裡，最難的往往是搞清楚問題到底是什麼。」
更難得的是，他們學會用數據去定義「真正的問題」在哪裡，而不是憑感覺。一位學生的體悟是：「如果不先確認瓶頸是真的存在，就很容易埋頭去做一堆自以為有意義、其實是空想出來的假問題。」他學到「先量測、再動手」，也體會到「架構師的核心，是把瓶頸定位出來，而不是一路瞎調參數」。這種「先搞清楚問題、再動手」的習慣，正是面對模糊最需要的能力。
第三項「主動協作與向上溝通」，缺口是三項裡最清楚的。先說協作。系統的模組彼此相依，照理說協作是必須的；而且，我不只一次在討論中提醒，卡在別組的介面或資料時，要主動去找對方一起解。但一學期下來，真正這樣做的人卻很少。即使把學生放進一個強相依的系統，還是不容易讓協作自然發生。
向上溝通的缺口更明顯。我把自己的業界背景攤開，開放讓學生預約一對一，談職涯、談方向，但整個學期幾乎沒有人主動來約，直到我把它變成要求。也有學生到了期末，才反映希望評分標準能更明確；這個期待本身並不過分，但耐人尋味的是，這些學生整個學期很少主動來把疑問講清楚、把模糊釐清。等到最後才希望有人把標準事先定義好，其實正是那種「等著被上級定義一切」的舊反射，而不是「主動向上把模糊釐清」的新習慣。
但願意投入的學生，在這一項的轉變讓我印象最深。一位學生寫：「以前我就是坐在最後一排、不太發言的人，這學期我一直在練習主動發言。」好幾位學生給學弟妹的建議，也不約而同提到同一件事，有人直接寫：「有些部分不可避免要靠別組幫忙，越早開口，他們越早幫得上你。」
這種相依，也有它沉重的一面。學期快結束時，有一位學生決定退選，因為他判斷自己交不出足夠的指標實質貢獻；而他一走，同組的另一位同學頓時慌了手腳，連帶在期末專案上也沒能做出多少進展。這件事讓學生更真切地看到：在一個彼此相依的系統裡，協作不只是一種美德，更是一種品格，它的缺席是會傳染、也會連累到別人的。
一學期課堂實驗後，我的答案是……
把這一學期收攏起來，對照那三項假設，我有三個初步的判斷。
第一，主動自學這件事，他們做得不錯。願意投入的學生，很快就學會自己去補知識，也都能熟練地用 AI 寫程式。但我必須誠實提醒：這些是台灣資工裡最頂尖的一群學生；如果把這套做法放大到更廣的學生身上，會不會讀到同樣的訊號，我並沒有把握。
第二，面對模糊、自己定義問題，訊號很清楚：他們一開始並不習慣。他們被訓練成解定義好的問題的高手，一碰到沒有標準答案、要自己去定義的題目，確實會卡；但只要給足時間、加上學生有夠強的動機，他們最後多半都找得到出路。這反過來告訴我們：該給學生的，是更多這一類的訓練，而不是更多定義好的題目。
第三，主動協作與向上溝通，這是最弱的一項，也是最讓我擔心的一項。我猜，這和我們一路以來的教養有關：我們把學生教得很「乖」，每個人都被訓練成有禮貌、守本分、待在界線之內。但在 AI 時代，我們更需要的，是能主動伸手找同儕協作、主動向上對齊、也懂得從前輩經驗裡學東西的人。這一塊，我們得教得更多。
回到最開始，AI 正在快速接手我們的教育最擅長、也最會獎勵的那種能力，也就是把定義清楚的問題解出來。當這件事變得又快又便宜，我們過去引以為傲的訓練，反而成了風險；只會解題，在 AI 時代已經不夠了。這是一個真實、而且正發生在此刻這一代學生身上的問題。
這門課，就是我拿來檢驗一個想法的實驗：那些 AI 時代職場真正需要、卻長期被我們外包給業界的軟實力（主動自學、面對模糊自己定義問題、主動協作與向上溝通），到底能不能在學校裡，靠刻意設計的課程來有效地培養？
一個學期下來，結果是好壞參半。在主動自學上，願意投入的學生長得很好；在自己定義問題上，他們一開始會卡，但給足時間與動機，多數都找到了出路；而在協作與向上溝通這一項，坦白說進展最有限。我不會假裝這就是定論，因為我們的樣本很小、也只有一個學期。但它至少讓我看見一個訊號：這些能力不是教不動的，只要換一種設計，就有機會在課堂裡把它們練出來。這樣的一門課，也許還很粗糙，但它是通往未來教育一個紮實的起點。
這門課談的是資工，但我相信它的道理，適用於幾乎所有科系。核心其實只有一句話：我們該少花一點力氣，在那些定義清楚、答案唯一的課本題上；多花一點力氣，去培養這些軟實力。但這裡有一個關鍵前提：軟實力沒辦法用講的教會，它需要一個夠真實、夠開放、而且夠難的問題，讓學生在裡面親自去撞、去試、去練。每一個科系，都找得到屬於自己的那種「開放的難題」，差別只在於，我們願不願意把它設計出來、放進課堂。
最後，我把這一學期的假設、課程設計與觀察都攤開來，不是因為我已經有了答案，而是想拋磚引玉。我尤其希望，握有教育資源與決策權的人，不論是在大學，還是在政府，能把我這一點初步的心得接過去，從這裡再往前走。這件事太重要、也太急迫，不該只停在一位退休老師的一堂實驗課。如果你也在想同樣的問題，或願意一起試，我非常樂意交流。
（作者為國立台灣大學資訊工程學系客座教授、國立陽明交通大學資訊工程學系客座教授。）
分享圖文請註明出處，未經本站同意不得轉載
瀏覽次數：2492
