AI之於教育是一把雙刃劍。用得好，它可以成為教育平權的工具，讓無力負擔私人補習的基層學生，也能隨時獲得名師級別的講解；用得不好，它卻可能成為協助學生逃避學習的毒藥。
今天，人工智能已熟練掌握大部分基礎及高等教育知識。由數學解題、閱讀理解、到程式編寫，學生幾乎問甚麼都能得到一個看似不錯的答案。取得知識的成本降至前所未有的水平，學習理應變得很方便。
然而，對教育而言，太方便不一定是好事。
工作結果至上，學習重在過程
坊間不少AI x 教育討論，往往只從商業效率角度理解教育，忽略了教育和工作的根本分別。
在工作環境中，最優先是把事情做好。在法律及道德框架下，使用最有效率的工具解決問題，是合理選擇；但在教育環境中，當下的問題是手段不是目標。教育的目的不是正確回答一百條功課題目，而是藉着解答這一百道題目，培養學生未來處理陌生問題的能力。
因此，工作思維鼓勵的高效做法，在學習階段有時屬於作弊。因為工作重視成果，教育則更重視過程。有些事情在職場應交給AI，在課堂卻刻意要學生親自完成。做法看似低效，實是學習過程中應受的建設性痛苦。
倫敦經濟政策研究中心追蹤二萬六千多名中國中學生三十個月的《生成式人工智能的學習懲罰》研究發現，依賴 AI 做功課的學生功課分數上升百分之十八，完成時間縮短百分之三十；但在六個月後，閉卷月考成績下跌百分之二十，之後高中及大學入學試等重要考試的成績同樣下跌百分之十八至二十四。相反，正確使用AI，沒有過份依賴它的學生，成績沒有同等下滑。
問題不在於AI，在於如何用 AI。
真正內化知識，需要經歷嘗試、卡關、犯錯、反思和修正。這些過程令人痛苦，卻正是提升個人能力不可或缺的部分。正如小學生要先在沒有計算機的情況下學習基本運算，掌握基本能力後，才使用計算機提高效率；若一開始便把運算全部交給機器，學生就無法得到足夠的鍛鍊。
真正的瓶頸不是沒答案，而是沒動力
ChatGPT 風行全球後，很多人有所期望，既然每個學生都能擁有一位近永不疲倦的全才導師，更多人會願意學習。
現實並非如此。
學習是一件耗費精神、回報周期長、違反人類惰性本能的事情。學生通常並不是因為找不到答案才不願學習，而是不願付出內化知識所需努力。AI減少了取得答案的阻力，卻沒有自動創造求知的動機。
因此，雖然AI確實可以讓資源不足的學生接觸優質講解；但若有效使用AI需要高度自律、良好基礎，以及家長或教師從旁規劃，那麼最先得到倍增效果的，仍可能是原本已有較多學習資本的學生。少數有良好環境或具備強大內在動機的人，會利用AI成為學習效率倍增的超級個體，其他學生則可能更多地把AI當成代寫工具。原本希望促進平等的科技，反而可能擴大教育不平等。Google學習及可持續發展首席技術官Ben Gomes在2025年倫敦「Google AI for Learning Forum」就提出「5%問題」：最富裕、最具學習動機和最懂得用正確方式使用AI的前5%學生，可能最先取得巨大收益，其餘95%學生則有被進一步拋離的風險。
不過，這個結果並非無可避免。台北十所高中曾進行一項為期五個月的編程課程實驗，過程採用能主動評估學生程度、並據此制定個人化練習計劃的AI系統。接受個人化題目安排的學生，在沒有AI輔助的期末考試中，成績顯著高出對照組，效果約相當於額外接受六至九個月的學校教育。研究者認為，這是能夠根據學生程度提供適切練習的AI系統能有效提升學習動機，促使學生投入更多時間持續嘗試，並更積極參與學習。
這項實驗指向一個重要結論：要讓AI真正發揮促進學習的作用，學校必須配合相應的教學設計、制度和流程，不能單靠學生自覺地正確使用。
不能只把AI送進校園
香港正推動「AI for all students」策略，教育局亦提出在各學科應用AI，並透過基金支援學校購置AI服務、設備和教學資源。以上方向值得肯定，但若政策只着重工具覆蓋率、教師使用次數和學生AI技能，便可能出現上一輪教育科技浪潮般「科技已進入學校，學習效能卻沒得到提升」的局面。
正如經合組織在分析PISA數據後發現，大量投資校園資訊科技的國家，學生在閱讀、數學和科學方面未見明顯進步；在不少地區，過度頻繁地使用電腦，更與較差的學習表現相關。與此同時，部分已發展國家的過去數十年平均智力測驗分數持續上升的趨勢開始停滯，甚至逆轉。法國神經科學家Michel Desmurget形容，部分國家的「數碼原住民」可能成為首批平均智商低於父母的世代。
聯合國教科文組織的全球教育監測報告亦指出，科技只有在正確公平使用、具備良好規管，並有教師培訓配合的情況下，才可能改善教育質素。面對衝擊遠較上一代數碼工具強大的生成式AI，我們更應引以為鑑：AI教育政策不能只追求設備和帳戶的普及，而必須同時保護基礎能力的形成、重建評核制度，並確保缺乏家庭支援的學生不會被進一步拋離。否則，原意是促進教育平權的科技，反而可能加劇能力分化，最終造成嚴重的人才斷層。
參考資料
- Strömberg, David, Victor Lei, and Yanhui Wu. “The Generative AI Learning Penalty: Evidence from Chinese Secondary Education.” CEPR Discussion Paper No. 21577. CEPR Press, Paris and London, 2 June 2026.
- Bratsberg, Bernt, and Ole Røgeberg. “Flynn Effect and Its Reversal Are Both Environmentally Caused.” Proceedings of the National Academy of Sciences, vol. 115, 2018, pp. 6674–6678.
- OECD. “Students, Computers and Learning: Making the Connection.” PISA, OECD Publishing, 2015.
- Gomes, Ben. “AI in Education: From Accessing Information to Achieving Understanding.” Opening remarks at the Google AI for Learning Forum, London, November 2025.
- UNESCO. “Global Education Monitoring Report 2023: Technology in Education—A Tool on Whose Terms?” 2023.
本文原刊於《明報》，刊登日期為 2026 年 7 月 20 日。相關版面：明報觀點版（2026 年 7 月 20 日）。