Contents ...

udn網路城邦

精選

從零散應對到系統深耕 ──在後知識時代一份供大學自我檢視的人才培育架構

2026/04/29 09:01

迴響0

推薦0

引用0

從零散應對到系統深耕

──在後知識時代一份供大學自我檢視的人才培育架構

(全文與附錄下載點)

王道維／國立清華大學物理系、諮商中心、人文社會AI應用與發展研究中心

摘要

AI的快速發展已從根本上重塑知識的生產與傳遞方式，將人類社會推入一個知識價值被大量稀釋的「後知識時代」。面對這場深刻的變革，多數大學仍停留在零散應對的階段——發布使用指引、開設若干課程、舉辦工作坊——這些做法固然各有其價值，卻往往彼此孤立，缺乏系統性的連結與深耕。本文提出一個由三個同心圈層、九個互相交織面向所構成的整體架構，作為研究型大學推動AI人才培育的參考路線圖。內圈聚焦於學生核心能力的培養，涵蓋「AI認知與素養課程」、「體感人際與情意深化」、「基礎學科自學輔助」三個面向；中圈驅動教學與研究的提升，包含「AI賦能教學創新」、「AI深化研究成果」、「跨領域團隊合作」；外圈則建構配套與社會連結的條件，涵蓋「算力人力與經費支援」、「產學合作與落地應用」，以及「資料治理與行政優化」。三圈層之間並非線性遞進，而是由內而外輻射、由外而內滋養的雙向關係，各校可依自身條件從任何面向切入，逐步延伸至其他面向。文中針對每個面向說明其在架構中的定位與核心內涵，並於附錄提供各面向的參考性指標，供各校盤點自身現況，辨識哪些面向已有基礎、哪些尚屬空白、哪些面向之間的銜接仍待補強。希望藉由本文的整理，有助於我們可以在已經來到的AI時代培育出更好的人才，創造更美的人性價值。

文章大綱

一、問題核心：AI已經重塑「知識」的本質

二、架構概覽：三圈層九面向的生態系統

三、內圈——核心能力的培養

面向一：AI認知與素養課程

面向二：體感人際與情意深化

面向三：基礎學科自學輔助

四、中圈——教學與研究提升

面向四：AI賦能教學創新

面向五：AI深化研究成果

面向六：跨領域團隊合作

五、外圈——配套與社會連結

面向七：算力人力與經費支援

面向八：產學合作與落地應用

面向九：資料治理與行政優化

六、結論：正面迎向AI的後知識時代

附錄一：各面向的參考指標(AI生成)

附錄二：一個善用AI並與之相伴成長的故事(AI生成)

附錄三：參考資料與延伸閱讀(AI推薦)

(本文由NBLM產生的Podcast簡介，https://youtu.be/01uF5F9TmqI?si=yuPWYgH_4bYplUSN)

一、問題核心：AI已經重塑「知識」的本質

自從2022年底ChatGPT橫空出世以來，生成式AI的快速發展彷彿一陣大海嘯，已經證明是人類歷史上影響最為深遠的技術革命之一。如今的AI科技不僅改變了各種產業的運作邏輯，更從根本上重塑了人類關於「知識」的生產、傳遞與驗證方式。根據AI搜尋引擎公司Graphite的研究，AI生成的文章在2024年11月已正式超過人類撰寫的比例。對於長期倚靠文字來記錄與傳遞知識的人類文明來說，這所代表的不只是內容產製效率的躍升，更是整個知識生態的權力重組。

筆者在過去的著作中曾指出，這種由大型語言模型所產生、可信度介於「意見」與「知識」之間的「虛擬知識」，會混淆並稀釋過往需要透過長期研究、學習、印證才得以產生的人類知識，造成知識內涵的通貨膨脹，將我們推入一個全新的「後知識時代」。對於以知識創造與傳遞為核心任務的高等教育來說，衝擊尤其巨大。畢竟大學教育的目的之一就是「研發與傳授真實可靠的知識」，背後也假設這樣的知識需要長時間的研究探索與內化學習。但是當虛擬知識的產生速度，已經對「百年樹人」這個無法加速的生物現實帶來壓力，我們的高等教育對於人才培育這個重責大任又該如何重新定位？

圖一：兩種知識傳遞的過程 (引自：王道維，〈迎接「後知識時代」的來臨——從生成式AI的虛擬知識談起〉，2023)

這個問題是全世界所有教育體制的共同問題，舉例來說：聯合國教科文組織（UNESCO）於2024年9月發布面向教師與學生的「AI素養框架」；美國俄亥俄州立大學宣布所有大學部學生必須具備AI素養才能畢業；哈佛、史丹佛、MIT等頂尖學府也紛紛建立各自的AI教學指引與治理架構。然而，真正建立系統性整合機制的機構仍然極少。根據Jin等人（2025）對全球40所高教機構的研究，多數大學的AI整合仍停留在政策宣示層次；德國的調查（Budde & Friedrich, 2024）更直接指出，僅有三成左右的學生表示其所在課程明確涉及AI素養。而這樣的表面「宣示」與實際的「落地」之間，又如何不存在著許多鴻溝或困難。

回到台灣，也因此並不意外的是，目前多數大學的因應方式仍停留在「推廣宣示」或「零散應對」的階段。例如，幾乎所有關心AI的教育者都會強調獨立思考、主觀動機、個人體驗、跨域學習、善用AI工具等的重要性，也已有不少大學發布AI使用指引、增設AI相關課程、舉辦教師工作坊。但這些理念、課程與活動往往只是大學整體結構的一部分，彼此之間缺乏有機的連結與遞進的邏輯，難以結構性地推進或發展。更重要的是，也因為沒有系統性的架構，我們也必然缺乏明確的檢核指標來評估自己到底做了多少？還需要補足些甚麼？這也可能就讓有些學校即使想要更多投資培育AI時代的人才，也不確定相關的投資該從哪裡開始，能夠得到甚麼成效。

有鑑於此，本文嘗試提出一個更為系統性的整體架構，包含三個圈層、九個彼此交織的面向，並針對每個面向提供國際參照與「參考性指標」（詳見附錄），希望能讓各大學據此檢視自身的AI人才培育現況，辨識哪些面向已有基礎、哪些是空白、哪些面向之間的銜接是斷裂的。換言之，本文所提出的不只是另一套理論架構，更是一份可操作的自我檢視工具。

圖二：本文所提出的三圈層九面向的架構示意圖 (作者自製)

二、架構概覽：三圈層九面向的生態系統

筆者所提出的整體架構，由三個同心圈層與九個面向所組成。之所以採用同心圓層而非線性層次的設計，是因為這些面向之間並非單純的先後關係，而是內外輻射、彼此滋養的有機性生態網絡，因為它不是一份僵硬的清單，而是一個會隨著各面向的發展而不斷調整、自我修正的生態系統——某個面向的進展會自然地帶動相鄰面向的需求，就像一棵樹的根系成長會帶動枝葉的伸展。簡單地說，外圈是土壤、中圈是引擎、內圈才是目的。

內圈圍繞大學最根本的使命——人才培育，包含AI認知與素養課程、體感人際與情意深化、基礎學科自學輔助三個面向，三者相互支撐，缺一不可。中圈圍繞教師與研究團隊，包含AI賦能教學創新、AI深化研究成果、跨領域團隊合作三個面向，是內圈得以運作的關鍵驅動力。外圈處理組織與社會的連結條件，包含算力人力與經費支援、產學合作與落地應用、資料治理與行政優化三個面向，是整個系統能否持續運作的生態條件。

圈層	面向	主要對象	實踐目標
內圈（核心）	一、AI認知與素養課程	全校學生	認知地基
	二、體感人際與情意深化	全校學生	人性根基
	三、基礎學科自學輔助	低年級學生為主	學習引擎
中圈（引擎）	四、AI賦能教學創新	教師與教學單位	教學轉型
	五、AI深化研究成果	現有領域的師生研究團隊	研究突破
	六、跨領域團隊合作	不同領域的師生研究團隊	整合場域
外圈（土壤）	七、算力人力與經費支援	研發主管單位與資訊管理單位	資源後盾
	八、產學合作與落地應用	師生研究團隊、產業、政府或非營利機構	價值出口
	九、資料治理與行政優化	學校行政與管理團隊	制度土壤

表一：本文所提出的三圈層九面向的內容說明 (作者自製)

這個架構的關鍵特性在於「同步」與「互滲」。學校無論目前的AI規劃落在哪個面向，都可以從那裡開始啟動，逐漸延伸到其他面向。不同教師、不同學生的步調本就不盡相同，而一個健康的大學環境，本就應當充滿不同人才之間的對話與相互激盪。同時，這九個面向之間也存在彼此的相互依存：沒有AI認知作為基礎，實作就無從發揮；沒有體感與情意的深度，學生在使用AI時容易失去主體性；沒有教師端的AI能力提升，內圈的課程改革就缺乏動力；沒有算力與人力的後盾，所有面向的推動都只是紙上談兵。

然而，筆者要特別強調的是，這個架構的終極目的始終是「人才培育」——培養能在AI時代中不被工具所定義、而是以完整的人格去運用工具的下一代。如果缺乏這個整體圖像，各校所做的努力就容易陷入幾個常見的在資源投入方面的偏誤，例如：只強調AI課程卻忽略情意培養，結果培養出技術熟練但缺乏判斷力的操作員；只鼓勵教師導入AI卻不提供算力與人力支援，結果熱情教師孤軍奮戰、多數教師繼續觀望；只推動產學合作卻不處理評鑑制度，結果跨領域的努力無法在學術體制中獲得肯定。這些偏誤之所以發生，正是因為缺乏一個系統性的架構來讓不同的努力各就其位、互相支援。

同樣地，從人才培育的結果來看，這些偏誤也可能造成一個資工領域的畢業生只會操作AI工具卻缺乏跨領域溝通能力，進入職場很快就會被更便宜的AI Agent所取代；一個不善於使用AI工具的人社科系畢業生，在任何需要大數據決策的崗位上可能都會舉步維艱。本文的架構，正是希望能協助大學教育轉型，可以培育出更多能夠同時具備技術理解、人性厚度與實踐能力這三個不可或缺的面向的人才。

因此，筆者也在AI工具的協助下，在本文附錄一針對以上九個面向，分別整理出6個建置指標與4個成效指標，可以根據這個表單作出自己學校的「AI時代人才培育雷達圖」，提供給各大學的主管參考，希望能有所幫助。

圖三：使用附錄一可以畫出各校的「AI時代人才培育雷達圖」。此處紅色與藍色的折線分別代表「建置指標」與「成效指標」的示意圖，可以做為大學自我評估與改善的參考。(作者自製)

三、內圈——核心能力的培養

面向一：AI認知與素養課程

【架構定位】認知地基。確保所有學生具備與AI協作的基本認知與倫理判斷力，是其他面向能夠運作的前提。

根據目前最廣為引用的定義（Long & Magerko, 2020），AI素養包含認知、使用與態度三個維度，不僅在於熟悉AI應用方式，還必須涵蓋相關的道德意識。鑑於AI已是人類歷史上最具跨領域潛力的技術革命，幾乎任何領域的師生都應該培養這樣的素養。但也正因如此，不同學院所需的AI素養內容不可能完全相同，課程設計必須因地制宜。

此處有一個容易被忽視的關鍵：不同學科背景的學生，其AI素養的盲點恰好相反。人文社會領域的學生容易刻意躲避AI技術面向，只想討論應用倫理，往往流於隔靴搔癢；理工領域的學生則容易沉迷於前沿技術，忽略對人類社會的實質影響。例如，人社學生必須輔以vibe coding或視覺化的方式了解模型訓練原理，甚至善用AI Agent的功能來自動化許多本來靠人力完成的工作；理工學生則應學習分析自駕車倫理困境或法律議題、AI生成內容的著作權爭議等真實案例，才會在未來開發AI相關的應用時，也能第一手的具備倫理評估的直覺或理據。這類知識斷裂正是過往大學學科過度分化的結果，AI時代自然需要重新彌合。在國際上，英國Russell Group（2023）的AI教學原則、史丹佛大學AIMES計畫的四面向框架、Digital Education Council（2025）的人本AI素養架構，都指向相同的方向：人類如果要主導AI的使用，其批判性思維與主體性創造力才是AI時代的核心競爭力。

具體而言，比較容易（但絕非唯一也非最好）執行的做法是透過模組化的微學分課程，依學院特性嵌入學生的畢業學分，以多元師資與多元類型呈現。當師資不足時，可發展跨校學程設計，或採用國內外其他機構的線上課程來折抵學分，例如2024年教育部「臺灣大專院校人工智慧學程聯盟」(TAICA)也就是提供這樣的平台。但這類課程的評量方式應避免流於記誦，讓學生實際參與AI模型的設計，並以真實情境的案例作為討論對象。

面向二：體感人際與情意深化

【架構定位】人性根基。培養讓學生真正善用AI的基礎能力——自我覺察、情緒調節、人際連結。這不是AI素養的對立面，而是其根基。

這是目前討論AI對教育影響時最容易被忽略的面向。它之所以重要，是因為直接關係到其他面向能否真正發揮作用。如許多教育者所強調，要善用AI就需要能問出好問題，然後與AI深入討論。但學生「能清楚表達自己問題」的能力從何而來？答案顯然不是從AI的虛擬知識而來——它來自學生對自己當下內心狀態的覺察、對同儕互動的啟發、對自我價值的認真面對，以及願意花時間把模糊疑惑轉化為具體語言的耐心。

筆者認為這個面向至少包含三個維度：感官情緒的豐富化（身體經驗、美學感受、自然接觸）、主體認知的深化（辨識自己真正在乎什麼、學習盲點的誠實面對）、人際連結的維持（避免過度依賴AI而封閉於個人世界）。培養方式部分可透過社會情緒學習（SEL）、生命教育、心理諮商等正式課程——理工科系尤其需要補強——但更依賴於課外活動、住宿生活、社團經驗、志工服務等非正式學習場域。一次深夜宿舍的真誠談話、一段社團幹部的挫折學習，這些經驗對學生人格的塑造，往往比任何一門課程都更深刻而持久，也是我們在AI時代的人才培育最不可缺乏的一環。

不過筆者需要強調，此面向並不是直接以「排除AI」為目的，而是需要視學生個別情形來更細緻的評估。從諮商實務工作角度來看，學生的樣貌極為多元，少數學生有比較多的情緒抒發需求，卻可能無法建立正常的人際關係。此時如果有個合適的心理AI工具，能在陪伴輔導人力不足之處有個暫時感覺被接住的調整空間，釐清自身的狀態，後來可以更好底引導融入真實生活。但是這些心理AI的研發必須更有意識地創造並保護那些培養人性能力的場域，避免過度使用而取代或干擾健康的人際關係。

面向三：基礎學科自學輔助

【架構定位】學習引擎。透過基於學習理論設計的AI輔助學習平台，同時處理了三個問題：基礎學習能力的加強、學習落差的弭平與AI素養的提升。

在後知識時代中，學生每天接觸到的AI虛擬知識量遠超過傳統經過驗證的學術知識。許許多多的教育者已經提醒我們，善用AI工具的前題是：學生必須對各領域的基礎核心概念有扎實的把握。在後知識時代中這種把握已不再只是學業成績的問題，而是辨識真偽、維持清晰判斷的能力，否則學生就只是從「不懂」變成「不知道自己不懂」。這是因為目前市面上的ChatGPT、Gemini或Claude等AI工具雖然強大，卻「過於通用」，結果大多數學生只會用來索取作業解答或代寫心得，並不容易將困難的知識內化。

因此，筆者認為考慮到目前主要領域的基礎科目內容多半相對穩定，非常適合在傳統課堂中引入「AI輔助學習平台」來加以提升教學效能。此平台與一般的AI工具不同之處，是需要專門為特定領域的基礎科目而打造、基於學習理論所設計的完整AI系統。例如透過可以24小時陪伴的AI助教，可以善加預習教師的講義，並且依據個別學生程度的方式來引導，提升學生自學的能力，弭平學習落差，讓更多有潛力的人才不被遺漏。

這個論點在國際上已獲得實證支持。哈佛大學物理系Kestin等人（2025）在《Scientific Reports》發表的隨機對照實驗發現，基於教學原則設計的AI家教，學習成效顯著優於傳統課堂主動學習，且花費更少時間。哈佛CS50課程的AI助教「CS50 Duck」至2024年底已有21萬名學生使用，準確率達88%。筆者從112學年度起在清華大學普通物理課程中引入AI助教「小TAI」，至今累積兩年多的實作經驗。小TAI是一個完整的學習平台，包含公式推導、討論探究、題目練習、講義研讀等多種學習情境。我們的數據顯示：能清楚表達問題、與AI深入討論的學生，學習成效明顯提升；只用短訊息索取答案的學生，反而容易退步。這些案例的共通點是：它們都不是直接讓學生使用通用AI，而是基於特定課程需求、融入教育原理來設計學習情境，也才能在AI的輔助下深化學習基礎，本身就是AI素養最生動的實證教育。

值得補充的是，AI輔助學習平台的教師角色並未消失，而是轉型。教師可從後台上傳講義、觀察學生使用狀況、分析使用行為與學習表現的關係，更精準地了解學生的問題點。不同領域的學科會需要不同類型的平台設計，可按人文、社會、自然、工程、生醫、藝術等較大範圍來區分，甚至跨校組成開發團隊共享資源。這類平台最適合協助大班基礎科目中那些平日難以個別顧及的學生——而這些學生，往往正是最需要扎實基礎卻最缺乏個別支援的一群，也應該是我們人才培育不可遺漏的重點。

圖四：AI輔助學習平台的示意圖 (引自：王道維、歐予恩，〈大學為何應導入AI助教以提升學生AI素養與學科能力〉，2025)

四、中圈——教學與研究提升

面向四：AI賦能教學創新

【架構定位】教學轉型。協助教師降低AI導入教學的門檻，讓AI成為改善課堂設計的助力而非壓力。

AI時代的人才培育不可能僅由一群對AI應用不熟悉的教師所完成。然而我們也必須承認，每個領域內往往只有少數教師有意願或能力跟上AI的快速發展。這不能說是教師的失職，而是因為AI發展過於快速，過往訓練與此無關的教師本來就不容易在繁忙的本職之外竭力追趕。

因此在教學層面，筆者認為校方應更積極地「降低門檻」而非「增加壓力」。具體而言，可以幫助教師學習如何善用vibe coding之類的工具，為自己量身打造合適的教學輔助工具。筆者特別強調「為自己量身打造」，是因為目前AI技術已將這類工具開發的門檻降到幾乎為零——只需教師清楚自己想達到的目標，花些時間與商用AI對話溝通即可。這種「自己動手」的經驗會幫助教師更能掌握AI落地應用的方式，也成為可以與學生對話的經驗基礎。EDUCAUSE（2025）所發布的「Horizon Action Plan」也提供了教師AI能力建設的具體路線圖，值得參考。

值得補充的是，AI的導入也有可能從另一個角度重新點燃教師的教學熱情。教師的教學動力很大一部分來自學生的正向回饋，但世代差異與溝通習慣的隔閡往往使這種回饋迴路不易建立。但是當師生都在學習如何面對同一個快速變動的技術浪潮時，那種「一起摸索」的共同經驗反而能拉近距離，讓不同世代產生更真實的對話。此外，教師推動教學改革時經常受限於助教人力的不足與能力的參差，而教師開發個人化的AI教學工具會更容易透過學習數據看到學生的使用狀況與盲點，做出更精準的調整。這種具體而即時的回饋，很可能比任何培訓或政策鼓勵都更能提升教師持續投入的意願。

面向五：AI深化研究成果

【架構定位】研究突破。善用AI方法來拓展各領域的研究能力，同時辨識AI在不同學科中角色的根本差異。

研究型大學的教師幾乎都同時是學術研究者，帶領學生一起創造新的知識、推進人類理解的邊界，本就是大學存在的核心意義之一。而AI應用於各領域的研究，如今已是難以迴避的重要工具——不只是提供線索或輔助分析，更可以透過AI Agent的功能直接代理並自動完成一連串的工作流程。也就是說，幾乎所有需要透過電腦終端來處理的事情，都可能因為AI而大幅加速：文章編寫與潤稿、文獻查找與整理、實驗數據的處理與視覺化、各類電腦工具的操作串聯，甚至是定理證明或理論推衍，都已經出現了令人驚訝的進展。這場變革的影響堪比網際網路的出現，甚至更為激進，因為AI所產生的「虛擬知識」只要經過研究者最後的驗證與確認，就有機會直接轉化為真正可靠的學術知識。這個從「虛擬」到「真實」的轉化過程，在各個領域都還有極大的發展空間，也正是研究型大學最能發揮所長的方向。

但是此處有個重要的區分。AI應用於「有客觀標準可以驗證答案」的研究領域時——例如自然科學、數學、資訊工程、生醫製藥或其他工程類型等——確實可能給出比人類更精確、甚至突破現有能力邊界的結果。2024年諾貝爾物理獎（Hopfield與Hinton於機器學習的貢獻）與化學獎（DeepMind AlphaFold在蛋白質結構預測的突破），已證實這個趨勢。而數學領域中，費爾茲獎得主陶哲軒（Terence Tao）等頂尖數學家也認為，AI 將從根本上改變數學研究方式，從手動證明轉向AI輔助驗證。資工領域就更不必提了，因為目前大型語言模型編寫程式的能力與效率已經遠勝於人類工程師，已經開始直接應用於下一代的AI的設計，造成年輕軟體工程師開始面臨失業的問題。

然而，一旦AI應用於「人類社會的經驗、慣例或文化規範」的研究，情況就截然不同了。因為判斷預測是否「正確」的標準，歸根結底是由人類自己來決定的，這些標準不可避免地受到文化脈絡與價值衝突的影響。以司法判決預測為例，期待AI比人類法官更公平正義是沒有意義的，因為「公平正義」的內涵正是人類社會最難取得共識的概念之一。因此，AI在人文社會領域的價值，不在於追求超越人類的正確度，而在於能否在可容許的誤差範圍內節省時間、提升效能，使研究者得以將心力投注在更需要人類判斷力的環節上。因此筆者認為，未來人文社會領域的學者可以藉由AI的技術更多更好的處理過往那些幾乎只能由有限且昂貴的人工來處理的資料，因此將時間集中在對這些結果的價值判斷與人性理解上，進而深化研究的價值。

面向六：跨領域團隊合作

【架構定位】整合場域。讓不同背景的師生在真實問題中練習協作，是將內圈的個人能力轉化為集體創新的關鍵橋樑。

AI技術之所以能在如此短時間內造成如此深遠的影響，核心在於其「跨領域」本質——從哲學到工程、從醫學到藝術，幾乎每個面向都與AI有關。因此AI在人才培育方面，絕不應只停留於特定領域，更應充分發揮其打通學科壁壘的特色。國際上已有先例：MIT於2019年成立Schwarzman College of Computing，以「將AI嵌入所有學科」為宗旨；連以人文見長的University of Richmond也在2025年成立Center for Liberal Arts and AI。

這個面向的適用對象不僅是教師與研究團隊，也包括中高年級學生與研究生。具體做法可以是開設跨院專題式選修課程，由不同學院學生組隊合作，題目來自真實的校內或社區需求。生成式AI在這裡恰恰可以發揮「降低領域門檻」的獨特功能，讓非技術背景的學生也能參與AI專案，同時讓技術背景的學生學習如何將所學落地實踐於真實人群的需求中。筆者所在的清華大學人文社會AI應用與發展研究中心已累積了若干案例：在司法領域開發親權判決預測系統、在心理領域進行AI輔助諮商的效能、在社工領域開發AI紀錄生成系統、在教育領域則是前述的AI助教。這些專案的共通特徵是以人文社會的實際問題為出發點，結合AI技術尋求解方，而非為了展示技術而找問題來套用。

事實上，我們可以把研究型大學中的這類跨領域合作當成未來AI時代對社會影響的一種沙盒環境：在這個過程中，自然科學領域的學者也可以將開發的AI技術或特定領域的成果與人社領域學者合作，來未將來的AI社會提前做更多倫理與法律試驗(例如機器人或自駕車)，替我們社會提早評估未來真實可能的影響。不同學科有不同的語言、方法論與價值假設，學生在真實情境中所體會到的溝通困難與協商智慧，恰是傳統課堂講授無法教授的實戰經驗。這也完全符合研究型大學在後知識時代中最不可替代的角色：作為虛擬知識與真實知識之間的守門人與轉化者。

圖五：AI虛擬知識的跨領域本質 (引自：王道維，〈迎接「後知識時代」的來臨——從生成式AI的虛擬知識談起〉，2023)

五、外圈——配套與社會連結

面向七：算力、人力與經費支援

【架構定位】資源後盾。提供所有面向得以落地運作的硬體條件——算力資源、經費配置與專業人力。

這個面向看似只是行政層面的技術細節，但筆者認為有必要獨立提出，因為它的缺席往往是許多大學AI規劃從藍圖走向空談的最主要原因。畢竟任何改革都是需要付上代價的，而AI相關的發展不可否認會與各種相關資源(算力、人力與經費)緊密相關。一個有遠見的研究型大學一定會積極地配置相關資源，讓師生能夠有更好的硬體與軟體資源來發展以上所提及的各樣環繞於AI的教學或研究工作。因此這些資源的配置，歸根結底是為了讓前面六個面向所描繪的人才培育藍圖能夠真正實現，而非為了技術本身

首先，算力與經費的需求，至少涵蓋三個層面：第一是日常使用大型語言模型等商業AI的API費用。推動AI輔助自學或鼓勵教師以AI賦能教研時，所串接的大型語言模型都會產生持續性成本。大學必須將這類費用視為如同圖書館資料庫訂閱一般的常態性教學基礎設施投資。第二是專用型AI系統的建置與維護。AI輔助學習平台、跨領域共用開發環境、校內AI系統等，都需要前後端工程的持續投入。第三是GPU算力與模型訓練資源。涉及AI研究創新的團隊需要相當的運算資源，目前國家高速網路與計算中心（NCHC）所提供的算力是重要的公共基礎設施，但隨著各校需求快速增長，供需落差可能擴大。

然而比經費更關鍵的可能是專業人力的配置。上述系統的開發維運、師生的技術支援、資料治理的落實執行，都需要具備AI工程能力的專業人員。這些人力不必然要從零開始招募——學校現有的計算機中心或資訊處往往已有一定的技術基礎，可以在此基礎上擴編或轉型，設立「AI資源中心」或類似的專責單位，統籌支援全校各面向的需求。人力來源，除了專職工程人員外，校內資工或相關領域的教師也可擔任顧問角色，甚至可以將部分開發工作轉化為研究生的專題或實習機會，既解決人力不足，也讓學生累積實戰經驗，形成人才培育與基礎建設相互餵養的正向循環。這樣的配置看似增加組織成本，但考慮到AI將全面影響大學的教學、研究與行政運作，及早建立專業支援團隊，其長期效益將遠超過短期投入。

面向八：產學合作與落地應用

【架構定位】價值出口。讓校內培育的AI能力與研究成果能轉化為產業價值或社會公益，形成大學與外部世界的正向循環。

研究型大學的人才培育不應止於校園內部。當學生在校內累積的AI能力無法與真實世界接軌，這些能力就只是溫室中的花朵，經不起職場與社會的考驗。因此，產學合作與落地應用不只是大學的社會責任，更是人才培育能否真正「完成最後一哩路」的關鍵。世界經濟論壇（WEF）《2025未來工作報告》指出，85%的企業計畫優先投資員工AI技能提升，顯示產學連結的需求是雙向的——企業需要大學培養的人才，大學也需要真實場域來檢驗自己的培育成果。

具體做法可以包括：鼓勵教師或學生的研究團隊創業、與產業界合作設立實習計畫、推動與地方政府或NGO合作的AI應用專案（例如用AI分析交通流量或公共衛生資料）。這些都需要結合人文社會的洞察與AI技術的能力，恰是研究型大學最擅長的組合。更重要的是，學生在這些真實場域中所體會到的複雜性——技術之外還有法規、倫理、使用者習慣、組織文化等層層關卡——正是課堂上無論如何都教不來的東西。

不過筆者要特別提醒的是，AI本質上是軟體工程的創新服務，而台灣過往的產學合作絕大部分仍以硬體設備或製程為主，兩者在商業邏輯與護城河的建立上有極大差異。軟體創新服務在台灣這樣人口規模不大的市場中不容易生存，也容易受到歐美或中國類似產品的衝擊。因此，如何把握在地資料的特色與文化情感的適切性，讓本地人民切實感受到AI落地應用於醫療、法律、金融、心理、教育、文藝等領域的價值，需要政府與學術單位有更深入的合作。筆者在過去的著作中所倡議的「AI公共化」與「溝通協調型」AI應用——讓原本難以溝通的族群透過AI介入而得以對話、建立社會共識——正是大學可以著力的方向。這不僅能創造有別於純商業邏輯的新產業結構，也能讓社會各階層更公平地享受AI科技所帶來的價值，同時為大學所培育的人才開拓出更多元的出路。

圖六：AI公共化對AI治理與產業環境的正面影響循環 (引自：王道維，〈被企業壟斷的AI？達成社會共善的AI公共化願景〉，2025)

面向九：資料治理與行政優化

【架構定位】制度土壤。讓所有面向能真正落地運作的行政基礎設施，包括AI工具的行政導入、資料治理、學術評鑑制度的調整。

這個面向與人才培育的關聯看似間接，實則極為關鍵：如果行政流程僵化、資料無法流通、評鑑制度不認可跨領域成果，前面八個面向的改革都會在最後一哩路被卡住，而學生所接受的教育也就無法真正跟上時代。這個面向包含三個需要分別處理的子議題。

第一，AI Agent導入行政流程。這是目前國際高教界最熱門的發展方向之一。所謂AI Agent（智慧代理），是指能夠自主規劃、執行多步驟任務的AI系統，與傳統的對話機器人有本質上的差異——後者只回答問題，前者則能主動完成一連串的工作流程。國外的具體範例包括，亞利桑那州立大學（ASU）與田納西大學的「UT Verse」平台已開始運用AI Agent協助財務文件自動化、跨部門行政流程的串聯、協助學生處理日常庶務，同時也支援教師的研究排程與多語言溝通。事實上，這個趨勢意味著行政革新不再只是「用AI幫忙寫公文」這麼簡單，而是要思考如何將大學校園本身就可以成為AI Agent發展的最佳實驗場，不僅能改善校務運作，更能反過來成為面向四到面向六中教學與研究的活教材，甚至成為面向八產學合作的技術輸出。

第二，資料治理與資安規範。推動AI Agent的前提是校內資料的流通與治理。當行政端更多導入AI工具時，必須同步建立機敏資料分級管理、學生個資保護、以及AI決策透明度的規範。例如佛羅里達大學將課程分為「允許AI」「部分允許」「不允許」三類，並明確反對使用AI偵測工具（因偏差與不準確）；密西根大學則部署校內自建的AI系統「U-M GPT」，在資料保護與使用公平上更易管控。研究型大學尤其需要在「鼓勵探索」與「規範底線」之間取得平衡，政策必須能隨技術發展定期迭代更新。

第三，學術評鑑制度的鬆動。這可能是比行政效率化更重要卻更困難的議題，因為目前僵化的評鑑制度過於重視論文發表數量，卻較少著重對社會大眾或少數族群的實質貢獻。畢竟跨領域的研究，除非有非常出色的成果，其實並不容易在各自領域的評價體系中獲得對等的肯定，直接影響前述面向六的發展空間。如果學界參與的AI跨域應用研究還需要用傳統的論文產出來證明價值，就變成目標與手段的錯置，很容易使得跨領域的努力停留在少數熱情教師的個案嘗試，不容易持續維持。因此校方，乃至於教育部或國科會，也都需要對此提出更大膽與更有創新空間與資源挹注，並創造全新的評量體制。

六、結論：正面迎向AI的後知識時代

面對生成式AI所帶來的後知識時代，過往知識的產生與傳承方式正在被打破，對高等教育帶來的影響絕不只是「學生有沒有用AI寫作業」這樣的表層問題。當AI的虛擬知識可以大量且快速地生成，混淆進入過往需要長期研究與印證才能產生的人類知識，大學作為知識創造與傳遞的核心機構，就不能再以零散的課程或工具導入來回應，而需要一個能讓不同努力各就其位的整體圖像。筆者在本文所提出的三圈層九面向架構，正是奠基於現今大學結構仍然存在的前提下，思考如何善用既有的人力資源與組織架構，進行儘可能彈性的調整。

如果沒有正面且整體性地回應這個挑戰，我們所培育出來的學生——即使在校園中表現優異——也可能因為無法辨識虛擬知識與真實知識的差異、無法在人機協作中保有主體性，而輕易被更善於運用AI的人才所取代，間接削弱高等教育的投資價值。這不僅是個人的困境，更是整體社會的損失。有一個比較系統性的架構，讓不同角色與單位分頭進擊又互相支援，或許不能解決所有問題，但至少能讓我們的努力不再只是散彈打鳥。

回到一個最根本的提問：AI對人類的真正挑戰，可能並不在於AI是否真有心智或是否超越人類，而是在於當AI所產生的虛擬知識已經無所不在時，人類自己要如何平衡地與這樣的能力共存？我們高等教育需要建立怎樣的架構，才能讓未來的世代不被AI所定義，而是以更完整的人格去運用工具、創造價值？這是後知識時代高等教育所共同面對的問題，而本文所建議的這個有機性的架構，則是筆者所能提供的回應方式。

最後，筆者也提供附錄所列的參考性指標，可共各大學盤點自身的現況：哪些面向已有基礎、哪些是空白、哪些面向之間的銜接是斷裂的，又有哪些看似已有建置的成果其實需要被重新檢視成效。這種盤點本身就是系統性思考的起點，也是讓零散的努力得以匯聚為有機行動的第一步。

(全文完)

附錄一：各面向參考性指標（AI生成）

筆者深知，任何架構都不可能完美地適用於每一所大學。不同學校的規模、資源、歷史脈絡與發展重點各異，九個面向的輕重緩急自然也不同。但筆者認為，這個架構的價值不在於提供標準答案，而在於提供一個系統性的檢視視角——讓零散的努力得以被看見、被定位、被串聯。

以下量表供各校自我檢視之用，採五點量表評分（1＝尚未起步、2＝初步推動、3＝部分落實、4＝系統運作、5＝成熟整合）。每個面向包含兩類指標：

A類（建置指標）：檢核「學校是否已建立必要的條件與機制」，共6題。這類指標適合用於初期盤點，幫助學校辨識哪些面向尚未啟動、哪些已有基礎。評分角度偏向客觀事實（有或沒有、做了多少）。

B類（成效指標）：檢核「這些建置是否對人才培育產生了可觀察的效果」，共4題，以★標示。這類指標回答的是更根本的問題——學生（或教師、或組織）在行為或能力上是否產生了可觀察的改變？評分角度偏向主觀感受與間接證據。

兩類指標可以分開處理，也可以直接相加。分開處理時，A類滿分30分（6×5），反映建置完備程度；B類滿分20分（4×5），反映實際成效。合計滿分50分。若將九個面向的A類分數繪製於雷達圖上（半徑以30分為滿分），可呈現學校建置面的整體輪廓；再疊上B類分數（半徑以20分為滿分），則可看出建置與成效之間是否存在落差——建置分數高但成效分數低的面向，可能代表「做了很多但沒有效」，值得深入檢視原因。

以下依九個面向逐一列出指標內容，每題右側填寫1-5分。

面向1：AI認知與素養課程

A類：建置指標

1-1. 全校是否有涵蓋所有學院的AI素養必修或必選課程？ ___分

1-2. 課程是否同時包含技術理解與倫理判斷兩個面向？ ___分

1-3. 人社學院課程是否包含實作元素（如vibe coding、模型訓練體驗）？ ___分

1-4. 理工學院課程是否包含社會影響分析的作業設計？ ___分

1-5. 評量方式是否為情境式（案例分析、辯論、專題）而非記憶式？ ___分

1-6. 是否有跨校或跨機構的學分認抵或合作學程機制？ ___分

A類小計：___／30分

B類：成效指標 ★

1-7.★ 修課學生是否能以非技術語言向他人解釋AI的基本運作原理與限制？ ___分

1-8.★ 學生在真實情境中是否展現出辨識AI偏見或倫理風險的能力？ ___分

1-9.★ 人社學生是否能獨立完成一個簡單的AI應用小專案？ ___分

1-10.★ 理工學生是否能分析一個AI應用案例的社會影響並提出改善建議？ ___分

B類小計：___／20分

面向1小計 A類___分＋B類___分＝合計___分

面向2：體感人際與情意深化

A類：建置指標

2-1. 是否有社會情緒學習、生命教育或心理健康相關的必選修課程？ ___分

2-2. 理工學院是否有情意教育的學分要求或非正式學習設計？ ___分

2-3. 住宿學院或學生社群是否有結構性的人際互動設計（而非僅住宿管理）？ ___分

2-4. 是否有機制關注學生的AI使用是否影響其人際互動模式？ ___分

2-5. 課外活動、服務學習等非正式學習的資源投入是否逐年增加？ ___分

2-6. 諮商中心或學生輔導單位是否有參與AI相關議題的資源建置？ ___分

A類小計：___／30分

B類：成效指標 ★

2-7.★ 學生是否自評其人際連結在大學期間有所深化而非弱化？ ___分

2-8.★ 學生在使用AI時是否能保持自主判斷，而非被動接受AI產出？ ___分

2-9.★ 學生是否能清楚覺察並表達自己的學習困難與情緒狀態？ ___分

2-10.★ 學生是否主動參與面對面的協作活動（而非僅依賴線上互動）？ ___分

B類小計：___／20分

面向2小計 A類___分＋B類___分＝合計___分

面向3：基礎學科自學輔助

A類：建置指標

3-1. 基礎學科是否有專門的AI輔助自學平台（而非僅鼓勵使用通用AI）？ ___分

3-2. 平台設計是否基於學習理論（如ZPD、認知負荷理論）？ ___分

3-3. 教師是否能從後台觀察學生使用數據並據此調整教學？ ___分

3-4. 是否有使用行為與學習成效的關聯性分析機制？ ___分

3-5. 是否有向學生說明「有效使用方式」的引導機制？ ___分

3-6. 是否有跨校共享AI輔助學習資源的機制？ ___分

A類小計：___／30分

B類：成效指標 ★

3-7.★ 使用平台的學生在基礎學科成績上是否有可量化的提升？ ___分

3-8.★ 學生的AI使用模式是否從「索取答案」轉向「協作討論」？ ___分

3-9.★ 學生離開平台後是否能將所學的AI協作方式遷移到其他學習情境？ ___分

3-10.★ 中後段學生是否因平台的個人化支援而縮小與前段學生的差距？ ___分

B類小計：___／20分

面向3小計 A類___分＋B類___分＝合計___分

面向4：AI賦能教學創新

A類：建置指標

4-1. 教師是否有接受AI教學工具培訓的充足機會與時間？ ___分

4-2. 是否有降低教師AI導入教學行政負擔的配套措施？ ___分

4-3. 是否鼓勵教師用vibe coding或AI Agent等方式自製教學工具？ ___分

4-4. 是否有教師分享AI教學經驗的常態性平台或社群？ ___分

4-5. 教師的AI教學創新是否在教學評鑑中獲得正面肯定？ ___分

4-6. 是否有提供教學助理或技術人員協助教師導入AI的機制？ ___分

A類小計：___／30分

B類：成效指標 ★

4-7.★ 教師是否實際將AI融入至少一門課程的教學設計中？ ___分

4-8.★ 導入AI的課程其學生學習滿意度或成效是否有所提升？ ___分

4-9.★ 教師是否因導入AI而騰出更多時間用於師生互動或個別指導？ ___分

4-10.★ 教師是否能自主開發或調整適合自己課程的AI教學工具？ ___分

B類小計：___／20分

面向4小計 A類___分＋B類___分＝合計___分

面向5：AI深化研究成果

A類：建置指標

5-1. 各領域是否已有至少一個AI輔助研究的成功案例可供觀摩？ ___分

5-2. 研究計畫中使用AI方法是否被鼓勵而非被質疑？ ___分

5-3. 是否有區分「客觀標準領域」與「文化規範領域」的AI應用認知？ ___分

5-4. 是否有AI研究倫理審查的對應機制？ ___分

5-5. 生成式AI的通用功能是否已被善用於研究流程的加速？ ___分

5-6. 是否有跨領域AI研究發表會或交流平台促進校內合作？ ___分

A類小計：___／30分

B類：成效指標 ★

5-7.★ 校內是否已產出運用AI方法的高品質學術論文或專利？ ___分

5-8.★ AI方法的引入是否實質縮短了特定研究流程的時間或成本？ ___分

5-9.★ 研究生是否具備在自己領域中評估AI工具適用性的能力？ ___分

5-10.★ AI研究成果是否有轉化為教學素材或社會應用的實例？ ___分

B類小計：___／20分

面向5小計 A類___分＋B類___分＝合計___分

面向6：跨領域團隊合作

A類：建置指標

6-1. 是否有正式的跨院專題式AI課程或學程？ ___分

6-2. 是否有跨領域研究種子基金或聯合指導制度？ ___分

6-3. 跨領域合作的學術成果是否在各院升等評鑑中獲得認可？ ___分

6-4. 學生是否有機會在畢業前至少參與一次跨領域AI專案？ ___分

6-5. 是否有跨領域合作的學分認抵與行政支援機制？ ___分

6-6. 校內是否有以真實問題為出發的跨域合作成功案例？ ___分

A類小計：___／30分

B類：成效指標 ★

6-7.★ 參與跨領域專案的學生是否展現出跨學科溝通與協商的能力？ ___分

6-8.★ 跨領域合作是否產出了單一領域難以達成的創新成果？ ___分

6-9.★ 學生在跨域合作後是否提升了對其他領域的理解與尊重？ ___分

6-10.★ 跨域合作的經驗是否幫助學生在求職或升學中獲得實質優勢？ ___分

B類小計：___／20分

面向6小計 A類___分＋B類___分＝合計___分

面向7：算力、人力與經費支援

A類：建置指標

7-1. 是否有將AI使用費用（如API費）納入常態性教學基礎設施預算？ ___分

7-2. 是否有AI資源中心或類似專責單位統籌全校技術支援？ ___分

7-3. 是否有具備AI工程能力的專職技術人員？ ___分

7-4. 是否有利用研究生參與AI系統開發的實習或專題機制？ ___分

7-5. 是否有評估校內GPU算力需求並爭取外部資源的規劃？ ___分

7-6. 校內資工或相關領域教師是否有擔任AI技術顧問的機制？ ___分

A類小計：___／30分

B類：成效指標 ★

7-7.★ 各面向所需的AI系統是否能穩定運作而非經常因資源不足而中斷？ ___分

7-8.★ 師生提出的AI技術需求是否能在合理時間內獲得支援回應？ ___分

7-9.★ 參與AI系統開發的研究生是否因此累積了可遷移的實戰經驗？ ___分

7-10.★ AI資源中心的服務是否被校內多數單位實際使用而非僅少數人知悉？ ___分

B類小計：___／20分

面向7小計 A類___分＋B類___分＝合計___分

面向8：產學合作與落地應用

A類：建置指標

8-1. 是否有AI相關的產學實習計畫？ ___分

8-2. 研究成果是否有技術移轉或社會應用的具體案例？ ___分

8-3. 是否有與地方政府或NGO合作的AI應用專案？ ___分

8-4. 學生在畢業前是否有機會參與真實場域的AI專案？ ___分

8-5. 大學是否有推動非營利導向AI應用的機制（AI公共化）？ ___分

8-6. 是否有鼓勵教師或學生以AI研究成果創業的配套支持？ ___分

A類小計：___／30分

B類：成效指標 ★

8-7.★ 產學合作是否實質提升了學生的就業競爭力或職場適應力？ ___分

8-8.★ 落地應用專案是否對合作對象（企業、政府、NPO）產生了可衡量的效益？ ___分

8-9.★ 學生參與真實場域專案後是否展現出解決複雜問題的能力提升？ ___分

8-10.★ 大學的AI研究成果是否有被外部機構主動尋求合作或採用的案例？ ___分

B類小計：___／20分

面向8小計 A類___分＋B類___分＝合計___分

面向9：資料治理與行政優化

A類：建置指標

9-1. 是否有校級AI治理委員會或工作小組？ ___分

9-2. 是否有明確且定期更新的教學中AI使用指引？ ___分

9-3. AI使用指引是否允許院系層級的彈性調整？ ___分

9-4. 行政人員是否接受過AI工具（含AI Agent）的實務培訓？ ___分

9-5. 是否有評估或試行AI Agent串聯行政流程的規劃？ ___分

9-6. 資料治理與資安規範是否涵蓋AI使用情境並定期更新？ ___分

A類小計：___／30分

B類：成效指標 ★

9-7.★ AI使用指引是否被師生實際知悉並遵循（而非僅存在於公文中）？ ___分

9-8.★ 導入AI工具後行政流程的效率是否有可感受的改善？ ___分

9-9.★ AI相關政策是否隨技術發展而實質迭代更新（而非原地不動）？ ___分

9-10.★ 學術評鑑制度是否已實際認可跨領域AI合作的成果？ ___分

B類小計：___／20分

面向9小計 A類___分＋B類___分＝合計___分

各面向得分總覽

面向	名稱	圈層	A類（/30）	B類（/20）	合計（/50）
1	AI認知與素養課程	內圈
2	體感人際與情意深化	內圈
3	基礎學科自學輔助	內圈
4	AI賦能教學創新	中圈
5	AI深化研究成果	中圈
6	跨領域團隊合作	中圈
7	算力人力與經費支援	外圈
8	產學合作與落地應用	外圈
9	資料治理與行政優化	外圈
總計			/270	/180	/450

建議將A類各面向分數繪製於九面向雷達圖上（半徑以30分為滿分），再將B類分數以另一條線疊上（半徑以20分為滿分），即可視覺化呈現學校在建置面與成效面的整體輪廓與落差。

附錄二：一個善用AI並與之相伴成長的故事(AI生成)

(架構如果只是一張靜態的地圖，很難讓人感受到它的生命力。讓筆者嘗試用一位虛構的大一新生「小安」的故事，來說明這九個面向如何在四年中逐漸展開、彼此交織。)

小安以大一不分系的身分入學。他數學不差，也不排斥寫程式，但心裡真正好奇的是人為什麼會這樣想、這樣感覺。家人和同學都說理工科比較有出路，人文社會沒錢賺。他不確定他們是不是對的，但看著幾位進了科技公司的學長姊成天加班賣肝，臉上卻看不到多少成就感，他總覺得自己不想走那條路。

大一上學期他修了一門AI素養通識課（面向一），第一次理解到AI給出的答案可能只是「虛擬知識」而非真正的知識。這門課讓他開始好奇：如果連知識本身都可以被AI大量製造，那人類還剩下什麼是不可取代的？同一學期，他在普通物理課中使用了學校的AI助教平台（面向三）。起初他跟大多數同學一樣只會打「這題怎麼解」，直到教師在課堂上展示了一組數據——只用短訊息要答案的學長姊成績反而退步——他開始試著用更完整的文字描述自己的困惑。過程有點笨拙，但他慢慢發現，當他願意把「我到底哪裡不懂」說清楚的時候，AI的回應確實有用多了。

住宿學院的深夜讀書會和週末登山社（面向二）是他大一最意外的收穫。那些在山頂上聊到關於未來的恐懼、在宿舍裡為了一個觀點爭得面紅耳赤的夜晚，讓他練習在真人面前說出還沒想清楚的話。後來他才意識到，這些經驗讓他在跟AI對話時也變得比較誠實——不再只是要答案，而是願意承認自己的不確定。

大二他選擇往教育心理的方向走。「你確定？那個領域出來能幹嘛？」室友的反應很直接。他說不上來，只覺得自己對「人如何學習」這件事有一種無法解釋的著迷。他繼續選修進階的AI應用課程（面向一的延伸），發現自己是班上少數從人社背景來的學生，有些資工系的同學會用一種微妙的語氣說「你們文科的來學這個很不容易吧」。他沒有回嘴，但心裡記住了那個感覺。學校諮商中心這學期辦了一場「AI時代的人際關係」工作坊（面向二的延伸），他去了，開始認真想一個問題：他跟AI聊天的時間，是不是已經悄悄多過跟真人說話的時間了？

大三是轉折點。他鼓起勇氣去找一位在做教育科技研究的人社教授，說想用AI分析學生的學習回饋文本。教授聽完，沉默了幾秒，然後說：「你有沒有想過，這種東西資工系的學生做起來比你快十倍？」他愣了一下，但沒有被嚇退。他花了一個學期證明，雖然他的程式技術不如資工學生，但他能提出資工學生想不到的分析角度——因為他真的讀過那些心理學的文獻，真的在乎那些數據背後是活生生的學生（面向五）。教授後來沒再說那句話。

同一學期他加入了一門跨院專題課程（面向六），和資工系、社會系的同學合作開發一個學生學習預警工具。他負責從心理分析的角度定義「什麼樣的訊號代表學生可能在掙扎」，資工同學負責模型，社會系同學評估工具對不同族群的公平性。開會的時候常常雞同鴨講——資工同學覺得他講的東西「不夠精確」，他覺得資工同學對人的理解「太簡化」。有一次吵得很兇，差點拆夥。但也就是那次之後，他們才真正開始聽彼此在說什麼。

這段時間他常常覺得寂寞。身邊同學多半選了比較「安全」的路，沒什麼人像他這樣橫跨在人社跟技術之間。深夜寫不出來的時候，他會打開AI聊幾句，有時候AI的回應確實讓他覺得被理解。但他很清楚那不是真正的理解——他知道語言模型的原理，知道那些溫暖的語句只是統計上最可能出現的下一個詞。所以他不會把AI當成朋友，但他學會了一件事：把AI的回應當作整理自己思緒的鏡子，然後帶著整理好的想法，去找教授或那幾個真的願意聽他說話的朋友繼續討論。

轉機出現在大三下學期的一場校內研討會上。他報告了自己用AI分析學習回饋的初步成果，會後有兩位不同系的同學走過來跟他說：「我也在想類似的事情。」那天晚上他們聊了三個小時，從AI聊到教育聊到自己為什麼選了一條看起來不太主流的路。他第一次覺得，原來不只有他一個人在想這些。

大四為了作專題（面向四、五），他的指導教授要求他附上「AI使用聲明」，說明哪些環節用了AI、如何驗證結果。他覺得理所當然——因為經過三年多的實踐，他已經很清楚AI能幫他做什麼、不能幫他做什麼。專題在校外競賽中得了獎，比賽的時候遇到一家結合心理學與教育科技的新創公司CEO，對方很欣賞他的作品並邀請他去實習（面向八）。面試的時候，CEO問他：「你覺得你最大的優勢是什麼？」他想了想說：「我可以從學生觀點來評估當前的學生心理狀態，有一些想法應該可以用AI來完成，只是需要更多資源。但我知道怎麼跟不同領域的人合作，也知道AI可以幫到哪裡、幫不到哪裡。」創辦人笑了：「這比會寫Python重要多了。」當場就一起討論未來的合作方向。這讓他決定多讀一年，可以學更多的課程，又累積實習經驗，應該對自己更好。

大五上學期準備申請研究所的時候，他發現自己不再焦慮要選哪個方向。不是因為他什麼都會，而是因為他有AI的陪伴並知道如何善用，已不再害怕。他知道不管走哪條路，他都有能力找到對的人合作、用對的工具解決問題。當初那個「人社沒出路」的恐懼，不知道什麼時候已經安靜下來了。

(完)

附錄三：參考資料與延伸閱讀(AI推薦)

筆者著作與合作者的著作

1. 王道維，〈迎接「後知識時代」的來臨——從生成式AI的虛擬知識談起〉，UDN部落格，2023。https://blog.udn.com/dawweiwang/178728006

2. 王道維、歐予恩，〈大學為何應導入AI助教以提升學生AI素養與學科能力〉，UDN部落格，2025。https://blog.udn.com/dawweiwang/183158490

3. 王道維，〈被企業壟斷的AI？達成社會共善的AI公共化願景〉，《科學月刊》第666期，2025年6月。https://www.scimonth.com.tw/archives/12418

4. 歐予恩，碩士論文，國立清華大學，2025。https://phys.site.nthu.edu.tw/p/406-1335-300062,r3649.php?Lang=zh-twphys.nthu

5. 林文源、王道維、杜文苓、李建良編，2024，《公共化AI：思維、協作與法制的基礎設施》，國立清華大學出版社。https://nthuhssai.site.nthu.edu.tw/p/406-1535-270789,r11.php

6. 林文源、甘偵蓉、王道維，2023，〈人文社會領域如何利用AI協助教學？開發人社課程專用的指令集〉，《科學月刊》第503期。https://www.scimonth.com.tw/archives/7683

AI素養框架

7. Long, D. & Magerko, B. (2020). "What is AI literacy? Competencies and design considerations." CHI 2020. https://doi.org/10.1145/3313831.3376727

8. UNESCO (2024). AI competency framework for teachers and students. Paris: UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000391104

9. Digital Education Council (2025). AI Literacy Framework. https://www.digitaleducationcouncil.com/post/digital-education-council-ai-literacy-framework

10. Stanford University Teaching Commons. "Understanding AI Literacy" (AIMES initiative). https://teachingcommons.stanford.edu/teaching-guides/artificial-intelligence-teaching-guide/understanding-ai-literacy

11. Russell Group UK (2023). AI in Teaching and Learning Principles. https://russellgroup.ac.uk/media/6137/rg_ai_principles-final.pdf

AI輔助學習實證

12. Kestin, G. et al. (2025). "AI tutoring outperforms active learning: an RCT." Scientific Reports 15:17458. https://www.nature.com/articles/s41598-025-97652-6

社會情緒與AI

13. APA (2025年6月). Health Advisory: AI and Adolescent Well-being. https://www.apa.org/topics/artificial-intelligence-machine-learning/health-advisory-ai-adolescent-well-being

14. APA (2025年11月). Health Advisory on Use of GenAI Chatbots and Wellness Apps for Mental Health. https://www.apa.org/topics/artificial-intelligence-machine-learning/health-advisory-ai-chatbots-wellness-apps-mental-health.pdf