2017年10月19日，Google公司的DeepMind團隊在《Nature》期刊上發表了一篇文章：＜Mastering the game of Go without human knowledge＞，引起了極大的轟動。機器與人類的智慧化之路，是非常互補的、可以非常有效地相輔相成。從教育視角而觀之，如何讓我們的兩種學生：機器學生與人類學生，兩者攜手共舞、一起創新，成為最新潮的創新教育思維。在AI潮流下各級學校最先進的創新教育很可能是：機器AI思維+人類設計思維。

AI思維簡史

AlphaGo與AlphaGo Zero驚人的智慧表現

2016年，AlphaGo在圍棋比賽方面擊敗了人類的世界冠軍。 AlphaGo的棋藝（智慧）是建立在人類的先驗知識之上，基於人類大量的歷史棋譜，迅速學習和領悟人類的棋藝，進而自我訓練、不斷精進而勝過了人類。

到了2017年，DeepMind團隊在《Nature》期刊上發表了＜Mastering the game of Go without human knowledge＞，內容敘述新一代的AlphaGo Zero基於不同的學習途徑，沒有參考人類的先驗知識，沒有依賴人類歷史棋譜的指引，從一片空白開始自我學習、無師自通、棋藝竟然遠遠超過AlphaGo，而且百戰百勝，以100：0完勝了AlphaGo。

回顧AI發展史

回顧一下AI發展的歷史，自從1950年代，許多專家們就是希望將人類的知識和思維邏輯植入到機器（如電腦）裡，讓機器像人一樣地思考。當時就使用符號和邏輯裡表示思考（thinking）和表現出智慧（intelligence），人類努力向機器輸入符號化的「思想」，並期望軟體程式會展現出足夠像人的思考能力，然而這個期望並沒有成功。

後來，專家們另尋他途，轉而採用Rosenblatt在1957年提出的「感知器」（perceptron）程式、使用重入回饋演算法「訓練」各種邏輯式子，因此實現了初步的機器「 學習」。這稱為「聯結主義」（connectionism），也誕生了「神經網路」（neural networks）名詞。這個途徑並不是由內而外地向機器輸入符號化的知識和邏輯來讓機器展現像人一樣的思考；反而是由外而內，儘量讓電腦表現得有智慧，但人們並不關心機器是否真的「表現」出思考邏輯。

AlphaGo就是這項新途徑的代表。AlphaGo的棋藝（知能）是建立在人類的先驗知識之上，基於人類海量的歷史棋譜，學習參悟人類棋藝，進而自我訓練，不斷精進而勝過了人類。 最近，新一代的AlphaGo Zero，從一片空白開始自我學習、無師自通，棋藝竟然遠遠勝過AlphaGo，而且百戰百勝。

大數據的角色：以成吉思汗的神鷹為例

機器學生很擅長於學習，從how-to-do經驗中學習和領悟，而呈現出智慧。大數據（Big Data）提供給它極佳的學習材料，大數據蘊藏了事物之間的相關性，成為它領悟的源頭，豐富它的智慧。隨著機器學生的學習技巧（即演算法）日新月異，物聯網技術促進大數據的迅速湧現，機器學生的學習成效，把人類學生遠遠拋在後頭了，是人類學生所望塵莫及的。

機器學生的智慧很類似人類的<歸納性>智慧和知識，它的思考過程不清晰、偏於結論性、欠缺可信（可靠）性。由於它欠缺可信性，所以在判斷和決策上，機器學生和人類學生一樣，常常會有偏見和誤判。一旦面臨它未曾學習過的情境，就有可能會犯錯。例如2016年特斯拉（Tesla）車主因其特斯拉汽車的「自動輔助駕駛」（autopilot）軟體未能及時在陽光下發現一輛白色卡車後，死於撞車事故。

君不見，當一個人的閱歷愈豐富，判斷與決策也愈迅速，但也更會有偏見和誤判（固執己見）。傳說成吉思汗（比喻人類學生）常常帶著他最喜愛的神鷹（比喻機器學生）。有一天中午時分，成吉思汗離開隊伍，單獨選擇了一條山路，在峽谷中穿行。天氣很熱，口乾舌燥，想找泉水解渴。好不容易，看到有泉水從岩石縫隙滴下，高興極了。拿著杯子去接那慢慢滴下的水。接滿了一杯水，準備一飲而盡。

在天空中飛翔的神鷹突然飛撲下來，「嗖」的一聲，把他的杯子踢翻了、水全灑在地上。成吉思汗撿起了杯子，又去接那泉水，神鷹又俯衝下來，把杯子踢翻了。他又接了兩次，神鷹都把他手裡的杯子踢掉了。成吉思汗氣急敗壞，拿起弓箭射向神鷹。天空中的神鷹慘叫一聲跌落下來死了。

成吉思汗自行沿陡峭的石壁爬上去，終於爬到了水源，看到水池裡躺著一條粗大的劇毒死蛇。成吉思汗愣住了，他懊惱不已，大聲喊道：「神鷹救了我的命呀！」

在此傳說裡，神鷹（比喻機器學生）擁有更高視野和更多資料（看到了毒蛇） ，讓牠更相信那泉水是有毒的，而成吉思汗（比喻人類學生）的豐富閱歷卻帶給他偏見和誤判，導致成吉思汗把神鷹殺害了。

請試想、發生這項悲劇的幕後原因是什麼?因為機器學生擁有的是「歸納性」智慧，加上大數據的支撐、其結論知識比人類更完整而準確。神鷹判斷：這泉水是有毒的。其正確性高於成吉思汗心中的假設：這泉水可以喝。

雖然人類有三種智慧：歸納性、演繹性和溯因性智慧。但是往往是由「歸納性」智慧所主導，它快速而不費力。至於複雜的演繹推理和溯因推理是比較費時和消耗精力的。通常，一個人的閱歷愈豐富，對於其豐富的「歸納性」智慧具有愈大的信任，大多數的判斷與決策很迅速和準確，但是可能會產生偏見和誤判（固執己見）。

由於演繹推理和溯因推理需要費時和耗能量，而從經驗閱歷的歸納性知識加以應用，非常迅速有成效。隨著歸納性知識的增長，演繹推理和溯因推理的運用和演練就越少了，逐漸沉寂而睡著了，甚至連歸納性的領悟運作也變少了。則日常生活變成：基於豐富自信的結論性知識，迅速運用來獲得成效。只是如剛才所提到，可能會產生更嚴重的偏見和誤判（固執己見） ，像成吉思汗一樣射殺了心愛的神鷹。

AI給人類教育的三項啟示

本節說明了AI思維啟迪了老師們的教育新方向。學校老師們除了人類學生之外，還有機器學生。就如同一位老師除了男學生之外，還有女學生一般。如何讓人類和機器兩種學生之間能夠相輔相成、心心相印，是當今學校老師們的重要課題了。本文敘述AI思維給人類教育的三項啟示：

1. 機器學生在學習「如何做」（how-to-do）經驗上，其能力遠勝於人類學生。

2. 過度強調「如何做」先驗知識的傳承，反而會局限學生（無論是人類或機器）對全域最優的探索，因而妨礙其發揮天賦的創新潛能。

3. 引導人類學生更多「如何思考」（how-to-think）的演練和信心，可能促進兩種學生在「創新/實踐」上的完美組合。

啟示一

從上所述，AI思維給人類教育的啟示之一：學校老師們有兩種學生：人類學生與機器學生。老師們把「如何做」的經驗教給機器學生，其機器經驗迅速勝過人類經驗。這意味著，老師將其作法經驗傳承給人類學生（如棋藝學徒），這些人類學生很可能都輸給機器學生，被機器學生淘汰出局而失業。就如同人類棋藝高手輸給AlphaGo一般。簡而言之，這項啟示就是：機器學生在學習作法經驗上，其能力遠勝於人類學生。

啟示二

然而，AlphaGo還不是頂級高手，輸給了AlphaGo Zero。因為它非常依賴人類的過去經驗（如歷史棋譜），只要曾經認為可能是錯的，便不再去探索發展，因而往往只找到局部最優（local optima），而不是全域最優的方案。

茲回顧人類的每一次革命性創新，都是人類跳出了局部最優的表現。例如古典力學、麥克斯韋方程組，再到廣義相對論等比比皆是。從上所述，AI思維給人類教育的啟示之二是：老師把太多的先驗知識教給學生（包括人類學生和機器學生），可能妨礙學生的創新能力，因為學生在面對複雜的新情境時會迅速找到局部最優，而停止繼續探索發展，失去跳出局部最優的創新機會。

其實，從一般的教學都可以體會上述的啟示。請試想，如果您是爸媽且是游泳教練，您會如何教您自己的小孩學游泳呢？同樣地，如果您是爸媽且是網球教練，您會如何教您自己的小孩打網球呢？先練習打牆壁，還是直接進球場，陪他亂打一通呢？再試想，如果您是爸媽且英語很流俐，您會如何教您自己的小孩講英語呢？先講解簡單文法和句型，還是直接英語對話，陪他亂講一通呢？

老師引領人類學生自我學習、累積知識和經驗，比老師給予的先驗知識更能發揮學生的天賦創造力。老師引領機器學生自行學習、累積知識和經驗的速度和豐富性，則讓老師給予的先驗知識顯得微不足道了。

簡而言之，這項啟示就是：過度強調「如何做」先驗知識的傳承，反而會局限學生（無論是人類或機器）對全域最優的探索，因而妨礙其發揮天賦的創新潛能。

啟示三

前文所述，機器擅長於學習，從「如何做」經驗中學習和領悟，而呈現出智慧。大數據提供給它極佳的學習材料。機器的智慧類似於人類的「歸納性」智慧，它的思考過程不清晰，所以只產生思考的「結論」知識，而沒有產生思考的「過程」知識。

由於AI機器沒有表現出思考過程，人類也無法全然把握機器智慧的可信度。機器一旦面臨它未曾學習過的情境，就有可能會犯錯。例如前面所述的2016年特斯拉（Tesla）車主因為「自動輔助駕駛」軟體未能及時反應而死於撞車事故。這項機器學習的弱點，如果能得到人類智慧的相助，就能達到更完美的境界了。

從上所述，AI給人類教育的啟示之三是：學校老師可以更關注於引導學生「如何思考」，包括跨界思維和聯想等。這讓機器（學生）的全域探索能力來協助人類（學生）的創意思考迅速尋找到全域最優的實踐方案。同時也讓人類更多的「思考」來彌補機器「智慧」的弱點。於是，人類和機器變得相輔相成、達到創新與實踐的最佳組合。

簡而言之，引導人類學生更多「如何思考」的演練和信心，可能促進兩種學生在「創新/實踐」上的完美組合。

AI思維+設計思維

從教育視角觀察，如何讓我們的兩種學生（機器與人類）攜手共舞、一起創新，成為最新潮的創新教育思維。在AI潮流下最先進的創新教育很可能是：機器AI思維+人類設計思維。於此，就從知識（knowledge）的角度來看AI思維與設計思維之間的密切關係。

知識1.0

機器的智慧類似於人類的「歸納性」智慧，它的思考過程不清晰，所以只產生思考的「結論」知識，而沒有產生思考的「過程」知識。這種歸納性智慧所產生的結論性知識，我稱之為：知識1.0。

當今，在知識1.0（即歸納性智慧）範疇內，機器已經遠遠超越人類了。這讓人類一則以喜，一則以憂。欣喜的是：機器能迅速學習和領悟更多結論，即時補充或更新人類的知識1.0。憂心的是：一些仰賴於「歸納性」思維習慣的人群，其職場的兢爭優勢將日益式微了。

知識2.0

除了歸納性智慧之外，還有第2種是：演繹性智能。它的思考過程（即邏輯推理）很清晰，能以符號來表達成為知識。從知識的角度看來、知識內涵擴大了、除了思考的「結論」知識之外、增添了思考的過程知識。於是我稱之為：知識2.0。然而，當今在機器智慧的世界裡，機器能迅速學習，領悟並輸出「結論」知識（如how-to-do知識）。機器智慧還處於知識1.0階段。

知識3.0

人類除了上述的歸納性智慧（知識1.0）和演繹性智慧（知識2.0）之外、還有第3種：溯因性（abductive）智慧。它是基於假定（hypothesis）思維體系、進行檢驗、反證的思考過程。我稱之為：知識3.0。溯因推理的智慧是由觀察現象（結果）到原因的猜測推導過程，沿著現象的特徵往回追溯產生該現象之原因；它是除了演繹推理、歸納推理之外的第三種邏輯推理方法。運用這種方法去猜測現象的可能原因，受邏輯規則制約的程度較小，具有高度的靈活性，是一種頗具創造性的推理方法。

這種創意型的（溯因）思維習慣是人類的專長、機器還不具備這種智慧。在AI大數據潮流下、善於這種「溯因性」思維習慣的人群，其職場的兢爭優勢將日益上升。目前非常流行的「設計思維」（design thinking）就是基於溯因推理的思維方法。

參考文章

[1]“Why AI Needs a Dose of Design Thinking”,

http://deloitte.wsj.com/cio/2017/08/02/why-ai-needs-a-dose-of-design-thinking/

[2]“Design Thinking: Future-proof Yourself from AI”,

https://infocus.emc.com/william_schmarzo/design-thinking-future-proof-yourself-from-ai/

[3]“Design Thinking in Robotic Automation”,

https://dzone.com/articles/design-thinking-in-robotic-automation-1