當 AI 已經會寫遊戲，孩子還要學甚麼？用 SOLO 重新定義基本功

2026/10/5 · ArleeFather

一個晚上，我在電腦前用 AI 處理自己的生意，兒子則在旁邊為他的新遊戲寫程式。

這兩件事放在今天，已經沒有甚麼特別。我要整理資料、比較方案或修改內容，可以請 AI 協助；他想加入遊戲功能、理解錯誤或把一個想法變成程式，也可以直接向 AI 提問。

由想法走到第一個可運作版本，從未如此容易。

我本來應該只感到高興。兒子可以嘗試以前要學習很久才有機會開始的事情，想像與實作之間的距離也縮短了。

可是，我同時看見一個不容易回答的差別。

我是在累積多年工作經驗後，才把部分工作交給 AI；他卻可能在經驗尚未形成以前，已經取得一個完整而流暢的答案。

最初，我擔心的是：AI 會不會令下一代失去基本功？

後來我發現，真正需要先回答的是另一個問題：

當 AI 工具每年都在改變，我們所說的「基本功」，究竟要基本到甚麼程度？

今天的駕駛學院，不會要求學生先學馬車

今天去駕駛學院，沒有人會要求學員先學會控制馬車，才有資格駕駛汽車。

馬車曾經是主流交通工具，現在卻不是學習現代駕駛的必要階段。教育一直都要作出這類選擇：哪些舊方法仍然承載重要能力，哪些只剩歷史或專業用途，哪些可以交給新工具。

要求下一代完整重複上一代使用工具的方法，不一定是在保存基本功，也可能只是在保存我們熟悉的世界。

但由馬車轉到汽車，並不代表基本功消失了。它只是改變了。

現代駕駛者不需要學習控制韁繩，卻仍然需要方向感、協調能力、風險判斷、交通規則，以及知道甚麼時候不應該開車。導航系統可以提出路線，卻不能替駕駛者承擔每一個決定。

學習程式可能也正在發生相同轉變。

孩子未必需要像上一代一樣，背熟每一種語法，或者親手輸入大量重複程式碼。但如果他完全不理解 variable、condition、state、event、data 和因果關係，他便很難知道遊戲為甚麼能運行、為甚麼突然失效，以及一項看似簡單的修改會破壞甚麼。

某些操作可以過時，操作背後的判斷卻可能變得更重要。

不同 AI 工具，是不同種類的車

我們很容易把所有 AI 放在同一個名字下面，再問它對學習究竟有益還是有害。

但不同 AI 工具擁有不同能力，也帶來不同風險。

只會提出問題、提供有限提示的 AI tutor，較像有教練陪同的學習車；
可以直接生成完整答案的聊天工具，較像容易駕駛的私家車；
可以搜尋資料、修改檔案、執行程式甚至對外採取行動的 AI agent，則更像一輛載重貨車。

它們都可以把學生帶到目的地，但需要的訓練、監督與責任並不相同。

更重要的是，我們先要分清楚目的地。

遊戲成功運行，是作品的目的地；理解遊戲為甚麼能運行、出錯時如何修正，則是學習的目的地。AI 可以很快把孩子送到第一個目的地，卻可能繞過第二個。

所以，「有沒有使用 AI」並不是最重要的判斷。我更想知道：AI 完成了哪一部分？孩子保留了哪一部分？

他有沒有定義問題？能否解釋 AI 提出的程式？有沒有比較其他做法？當第一個版本不符合自己的想法時，他能否修改規則？遇到錯誤時，他會調查原因，還是只要求 AI 重新提供另一個完整答案？

同一項工具，可以在一個學習過程中成為鷹架，也可以在另一個過程中取代學習。

眼前表現提高，不等於能力留在學生身上

一項在 2025 年刊登、接近一千名高中數學學生參與的隨機實驗，很清楚地顯示了這個差別。

使用一般 GPT-4 介面的學生，在 AI 輔助練習期間，成績比對照組提高 48%；使用設有教師提示、避免直接給出答案的 GPT Tutor，練習成績提高 127%。

可是，當 AI 在考試中被移除，一般 GPT-4 組的成績反而比從未使用 AI 的學生低 17%。有護欄的 GPT Tutor 組沒有出現同樣的顯著下降，但在無 AI 考試中，也沒有證明比對照組學得更多。

這項研究發生在特定高中數學課堂，不能直接推論我兒子寫遊戲時一定會有相同結果。它支持的是一個較窄但重要的結論：

工具在場時提高表現，不保證工具離開後，能力仍然留在學習者身上。

另一方面，一項 2023 年發表的 CHI 研究，讓 69 名 10 至 17 歲、沒有文字程式經驗的初學者學習 Python。其中一半學生在編寫程式的任務中，可以使用基於 OpenAI Codex 的 code generator。

AI 組完成較多任務、程式得分較高，在沒有 AI 的手動修改題中也沒有表現得更差。一星期後的保留測驗，AI 組得分稍高，但差異未達統計顯著。

這項研究與孩子學習 coding 較接近，卻有一個不能忽略的時間限制：實驗在 2022 年進行，使用的 Codex 與今天的 coding agent 已經不能同日而語。它只能告訴我們當時一種有限工具在特定課程中的結果，不能代表 2026 年，更不能預測孩子成年時的 AI。

兩項研究放在一起，沒有給出「AI 有益」或「AI 有害」的簡單答案。它們真正提醒我們的是：工具怎樣設計、任務怎樣設計，以及關掉工具後測量甚麼，都會改變答案。

各地政策正在面對同一個矛盾

不同教育系統沒有走向一致的全面禁止，也沒有把提供 AI 帳號當成教育改革已經完成。

香港在 2026 年《中小學數字教育發展藍圖》中提出「教育為本、科技為輔」，並直接警告要避免學生陷入「高科技、低階思維」：工具可以提升學習，但不能取代孩子自己的思考；年紀較小的學生使用生成式 AI，也需要更直接的教師或家長監督。

澳洲的全國框架要求 AI 支持而不是限制批判思考，學生作業亦應清楚說明可以或不可以怎樣使用 AI，讓教師仍然能夠評估學生本人的能力。最後的決定與責任仍由教師及學校承擔。

日本文部科學省的 Ver. 2.0 指引同樣把 AI 輸出視為參考，最終判斷和責任留給人；是否使用需要配合學生發展階段與教學目的，也不主張全國一律禁止或強制使用。

愛沙尼亞選擇更積極地提供工具。AI Leap 在 2025/26 學年把 AI 學習工具與教師支援推向所有設有高中十至十一年級的普通學校，涵蓋約 20,000 名學生及 4,700 名教師。但官方文件同時承認，AI 可以支持教育，也可能抑制思考與學習，因此工具供應與教師培訓需要同時進行。

新加坡則把 AI literacy 放入課程、課外活動與自主學習資源，並在 Cyber Wellness 課程加入核實 AI 資訊和辨識 deepfake。重點不是只教學生下 prompt，而是教他們判斷工具產生的內容。

英格蘭的情況更直接反映過渡期的矛盾。2025 年 12 月的官方調查顯示，82% 小學教師與 78% 中學教師已經在工作中使用生成式 AI；但約七成教師表示，學生不獲准在指定功課中使用。AI 正在進入教師的備課、教材、評量和回饋工作，但學生作品的真實性與 AI 使用界線仍未解決。

這些政策的細節不同，卻逐漸指向同一個方向：

AI access 不是 AI readiness；能夠生成作品，也不是已經形成能力。

教師的工作沒有消失，而是由產出轉向核實

AI 可以協助教師準備課堂材料、修改文字、建立練習和處理部分行政工作。英格蘭早期採用學校的研究亦顯示，學校領導者普遍看見減少工作量的機會。

但教師同時需要檢查 AI 生成材料是否準確、有沒有偏見、是否適合學生；重新設計功課和考核；判斷學生作品是否反映本人能力；處理私隱、版權與安全問題；再向學生及家長解釋甚麼使用方式可以接受。

因此，現階段說「AI 減少教師工作」或「AI 增加教師工作」都可能過於簡單。較準確的說法是：AI 正在重新分配教師的工作——部分起草與整理變快，核實、監督、評量設計和管治則變得更重要。

教育的問題，也由「如何把答案教給學生」逐漸轉成「如何知道學生取得答案後，仍然保留了理解」。

用 SOLO 重新定義下一代的基本功

面對這個問題，我不想先列出一張所有孩子都必須學會的技能清單。今天的主流工具未必是十年後的主流；如果清單只記錄現在流行的軟件與語法，它很快便會像馬車操作一樣過時。

我反而可以借用自己設計 AI 工作流時使用的 SOLO 定位框架，先回答四個問題：

S — Scope：孩子需要親自掌握到甚麼範圍？

O — Outcome：學習完成後，甚麼能力應該留在孩子身上？

L — Leverage：AI 應該放大哪一部分，而不是接管全部？

O — Ownership：誰負責判斷、核實，以及對其他道路使用者承擔後果？

SOLO 不是替教育提供標準答案。它的作用，是迫使我們在選擇工具以前，先定義學習的方向。

S — Scope：不是所有舊操作都必須保留

如果學習目標是讓孩子理解一個遊戲系統，我不一定需要他由空白檔案開始，親手輸入每一行重複程式碼。

但我需要界定哪些部分一旦完全外判，他便無法繼續判斷：

能否把遊戲規則拆成事件、條件與狀態？
能否閱讀一段核心程式，說明資料如何進入、改變與輸出？
能否預測改動一個條件後會發生甚麼？
能否辨認錯誤發生在哪一層，而不是每次重新生成整個專案？

Scope 不是要求孩子把所有技術學到底，而是找出這項學習中不能完全外判的最小理解範圍。

不同任務的範圍也不相同。做一個只供自己玩的 prototype，與建立一個收集其他人資料、接受付款或公開使用的產品，需要的技術與安全理解不可能一樣。

O — Outcome：作品完成，還是能力留下？

「完成一個遊戲」是一項產出，不一定是學習成果。

如果遊戲可以打開、角色可以移動、分數可以累積，作品可能已經到達終點。但如果孩子不能解釋其中一項重要規則、不能修改條件、不能處理錯誤，也不知道下一步需要學甚麼，我很難說學習同時完成了。

我可以把 Outcome 改寫成：

孩子在 AI 協助下完成一個可運作的小遊戲，並能用自己的話解釋一項核心機制、修改一項規則、調查一個錯誤，以及指出下一個需要補足的知識缺口。

這個成果不要求他完全離開 AI，也不把熟背語法當成唯一證明。它要求作品與判斷同時留下。

L — Leverage：AI 應該在哪裏幫助？

如果 AI 只負責消除重複輸入、解釋陌生錯誤、提供幾種實作方向，孩子仍然需要選擇、測試與修改，它可能正在放大學習。

如果 AI 直接決定問題、選擇架構、生成全部程式、測試自己的結果，再用另一段流暢文字解釋自己為甚麼正確，孩子便很容易由駕駛者變成乘客。

Leverage 不等於把最多工作交給最強模型。它要問的是：

哪些摩擦只是在浪費時間，哪些摩擦其實正在形成能力？

查找一個遺漏的括號，未必永遠值得花半小時；親自預測程式狀態、比較兩種方法、發現 AI 誤解需求，卻可能是不能跳過的練習。

工具愈強，教育者愈需要刻意保留一些由學生完成的認知工作。

O — Ownership：道路上不只有學生

當 AI 像一輛能力愈來愈強的車，安全不能只用「有沒有抵達」判斷。

道路上還有其他使用者：

教師需要知道作品是否反映學生本人的能力；
同學可能因付費工具、裝置或家庭支援不同而處於不公平位置；
作者的文字、圖片與程式可能被使用而沒有適當署名；
私人資料可能被輸入會保存或再利用內容的系統；
AI 生成的程式可能進入一項由其他人使用的產品。

因此，Ownership 至少要回答：誰批准使用這項工具？誰核實答案？誰保護資料？誰處理出錯後的影響？學生、家長、教師、學校與工具供應商各自負責到哪裏？

能力較低、只提供提示的工具，可能像學習車；可以自行修改檔案、執行程式與對外行動的 agent，則更接近大貨車。兩者都可以有價值，但不應使用同一套駕駛資格和道路規則。

語言與社交能力，可能不是「軟」技能

當 AI 愈來愈擅長寫程式，語言、說話與社交能力是否會比 coding 更重要？

我認為它們的重要性可能上升，但不應把它們理解成與「真正技術」相對的軟技能。

語言是定義問題、提出要求、指出含糊、解釋選擇和與別人協作的基礎，也是人向 AI 提供 context 的主要方式。不能清楚描述問題的人，可以生成大量內容，卻未必更接近真正需要解決的問題。

社交能力也不是附加裝飾。未來並不只有人向機器發出指令，仍然有信任、分歧、協商、照顧、責任，以及承受技術決定後果的人。

可是，語言和社交能力也不能完全取代領域知識。一個很會表達、卻對問題沒有基本理解的人，同樣可以把錯誤答案說得非常有說服力。

較耐久的基本功，可能由三層組成：

**人類基礎：**語言、閱讀、基本數理、注意力、因果思考、情緒調節與合作；
**足以判斷的領域知識：**不必掌握所有細節，但能辨認不合理、錯誤與風險；
**學習循環：**發現缺口、拆解問題、尋找資源、嘗試、取得回饋、修改理解，再進入下一輪。

「學會學習」不能只是一句口號

如果未來工具不斷改變，最重要的能力似乎就是學習能力。

但「學會學習」很容易成為另一句聽起來正確、實際上沒有內容的答案。

我現在把它理解成幾項可以觀察的行為：

對未知保持好奇，而不是接受第一個流暢答案；
知道自己在哪裏不懂、在哪裏可能過度自信；
把模糊問題縮小成可以測試的問題；
在結果與預測不同時，願意修改方法；
把一次經驗中的理解，轉移到另一個工具或情境；
知道甚麼時候可以自己繼續，甚麼時候需要尋求協助。

這些能力不能脫離知識形成。孩子需要透過真正學習一件事、犯錯、接受回饋和重新嘗試，才逐漸知道自己如何學習。

我們不能把所有困難都交給 AI，再另外開一課告訴孩子要有適應力。

學習能力本身，也是透過學習建立的。

一次不需要禁止 AI 的「關掉工具測試」

我不想把兒子的每一個遊戲都變成正式考試。如果每次創作都要向焦慮的父親證明自己，最先消失的可能不是基本功，而是好奇心。

但作品可以運行，也不應成為唯一證據。

完成一個 AI 輔助專案後，可以選一個小部分，做一次短測試：

**Explain：**不用 AI，用自己的話解釋一項核心機制；
**Modify：**改變一項規則，觀察結果是否符合預測；
**Debug：**找出一個錯誤，不要立即要求 AI 重寫全部；
**Transfer：**隔一天或換一個小情境，重新使用同一個概念；
**Reflect：**說出仍然不懂的地方，以及下一步需要學甚麼。

這不是要證明孩子可以完全不用 AI。成年人也不會這樣工作。它只是在檢查：AI 是正在擴大他的選擇與判斷，還是悄悄刪除了所有讓判斷形成的機會。

不是要求孩子永遠徒步前進

我最初擔心 AI 會削弱孩子的基本功。

現在回頭看，這句話仍然太含糊。

上一代反覆練習的部分操作，的確可能不再重要；另一些能力則會以新形式留下。教育的任務不是保留每一種舊方法，而是辨認一個孩子要安全使用新工具、繼續學習和承擔後果，最低限度需要保留甚麼知識與判斷。

SOLO 沒有告訴我所有孩子應該學同一套技能。它只讓我在決定「要不要用 AI」以前，先問清楚：

**Scope：**哪些理解不能完全外判？
**Outcome：**工具離開後，甚麼能力應該留下？
**Leverage：**AI 放大了學習，還是取代了學習？
**Ownership：**這是相對明確的，就是自己必須為產出負責

我不需要兒子徒步前進，只因為我以前是這樣學習。

我希望他能辨認目的地、理解正在使用的車、留意道路上的其他人，並且知道甚麼時候需要自己接管方向。

資料來源與延伸閱讀：

AI 創作個人成長