AI 幫你把一件事做到 95 分，不代表你已經變成一個 95 分的人。
這可能是 AI 時代最容易被忽略的學習幻覺。
想像你正在寫一份原本要花兩小時完成的作業。AI 幫你拆題目、列大綱、找反方觀點、修邏輯、潤文字，最後還替你檢查答案。
四十分鐘後，你交出一份漂亮的作品。
成果是真的。
但另一個問題也是真的：
到底是你變強了，還是你和 AI 組成的系統暫時表現得很強？
Performance 不等於 Learning
learning science 很早就提醒我們：當下表現，並不是長期學習的可靠代理指標。
Soderstrom 與 Bjork 在 2015 年的整合性回顧把這個 distinction 說得很清楚：performance 是人在特定情境、提示與支援下此刻能做到什麼；learning 則更接近相對持久、能支持 retention 與 transfer 的知識或能力改變。
這兩者有時甚至會朝不同方向移動。
一個練習環境可以讓你當下錯得更少、做得更順，卻不一定留下更多能力；反過來，某些讓練習變得比較費力的方法，反而可能在之後的 retention 或 transfer 上表現更好。
AI 讓這個老問題突然變得非常現代。
AI 最大的學習風險，不一定是它答錯，而是它答得太好、太早
當 AI 立即替你完成一個 cognitive step，你得到的是效率；但你也可能失去一次本來需要自己執行的 cognition。
- 答案立刻出現，你可能少了一次 retrieval。
- 完整解法立刻出現，你可能少了一次 problem representation。
- 大綱立刻出現，你可能少了一次 decomposition。
- critique 立刻出現，你可能少了一次自己發現 contradiction 的機會。
- AI 每次都告訴你下一步，你可能比較少練到「我現在到底卡在哪裡、需要什麼幫助」的 metacognitive control。
這不是說「直接給答案一定有害」。真正的問題是：AI 是否拿走了你原本正在試圖建立的 target cognition。
一個很有意思的實驗：做題更好，拿掉 AI 之後反而更差
一項針對近千名高中生數學課的 field experiment，比較了沒有 AI、一般 GPT-4 介面，以及加入 learning safeguards 的 GPT tutor。
練習當下，兩種 GPT 都讓學生做得更好；但在之後拿掉 AI 的測驗裡，使用一般 GPT 介面的學生反而比從未使用 AI 的 control group 表現更差。加入 safeguards 的 tutor 則大幅減輕了這個負面效果。
這個結果最值得記住的不是「AI 會傷害學習」，而是：
同一個底層模型，可以因為 interaction design 不同，產生完全不同的 learning outcome。
另一個實驗提醒我們：AI 也可以真的幫助學習
2025 年一項大學生物理課的 randomized controlled trial 則得到另一個重要結果。
研究者不是把一般聊天機器人直接丟給學生，而是設計了一個符合 active learning、scaffolding、targeted feedback、self-pacing 等教學原則的 AI tutor。結果在這個特定情境裡，AI tutor 組的學習增益高於 in-class active learning，而且學生花的時間更少。
研究者自己也強調，這不代表 AI tutor 在所有學科、所有任務、所有高階思考情境都會贏；這個結果依賴相當精心的 pedagogy、prompting、內容結構與 accuracy control。
所以更合理的結論不是「AI 對學習好」或「AI 對學習壞」。
AI 對學習的影響，取決於它替人做掉了什麼，以及它刻意讓人仍然必須做什麼。
我現在更喜歡問：assistance 拿掉之後，還剩下什麼？
如果要判斷自己是不是真的學會，我現在不太相信「我剛剛有看懂」這種感覺。
我會更想看幾種 evidence：
- Reduced assistance：少幫一點，我還能繼續嗎？
- Unaided：完全沒有 AI，我能重建主要 reasoning 嗎？
- Delayed：三天、一週之後還留下多少？
- Novel context：題目換皮、情境改變後，我還認得出 deep structure 嗎？
- Error detection：AI 說錯時，我看得出來嗎？
- Self-regulation：我知道何時應該自己想、何時該求助、該向 AI 問什麼嗎？
越能跨過這些檢查，我們才越有理由說：某種 capability 真的開始長在人身上。
目標不是 AI-off purity
這也不是在主張「最好什麼都自己做」。
人類文明一直在 cognitive offloading。文字、書籍、計算機、搜尋引擎，都把一部分 cognition 移到外部工具。
AI 只會把這件事推得更遠。
真正重要的問題不是「能不能使用工具」，而是：
我們把 cognition 分配給 AI 之後，人是否仍保有理解、監督、驗證、拒絕，以及在必要時重新接手的能力？
我很喜歡把這個目標稱為：interdependence without surrender。
不是拒絕 AI，而是不把 agency 一起交出去。
AI-native Learning 應該優化的，不只是完成率
如果一個 AI learning product 只看 completion rate、session time、答案正確率、artifact quality，很容易得到一個漂亮但危險的結果：使用者愈來愈順，但不知道自己究竟變強了多少。
所以我認為更值得追的 North Star 是：
在與 AI 合作之後，人是否留下了更深的理解、更好的 judgment、更強的 transfer、更準確的 self-knowledge，以及更多選擇？
AI 能幫我們完成多少，會愈來愈驚人。
但學習最後真正值得問的，可能仍然是：
那些完成之後，人本身變成了什麼？
研究與延伸閱讀
- Soderstrom, N. C., & Bjork, R. A. (2015). Learning Versus Performance: An Integrative Review.
- Bastani, H. et al. Generative AI Can Harm Learning — high-school mathematics field experiment; Stanford SCALE repository summary.
- Kestin, G. et al. (2025). AI tutoring outperforms in-class active learning, Scientific Reports.
Boundary note：這些研究來自不同年齡、學科與 intervention designs。它們支持的是「AI learning outcome 對 interaction / pedagogy / task design 高度敏感」，不是一條適用所有人、所有任務的單一 AI 學習定律。
延伸閱讀
- 你不需要把每一本書讀完 — 把 Performance ≠ Learning 放回日常閱讀：讀完一本書，和真的形成可遷移的理解，也不是同一件事。
- AI 都會 coding 了，我為什麼還要學程式？ — 把 Performance ≠ Learning 放進 programming，看 AI coding 之後還應該保留哪些能力。
- 第二大腦不是資料倉庫 — 如果你想把「能力留下來」進一步連到 PKM、representation、synthesis 與 transfer。
- AI-native delivery：速度不等於完成 — 如果你想把同一個 human-agency 問題放到 AI-assisted product delivery 裡看。
