教育創新 要以人為本

新學年開始不久，中、小學都忙得不可開交（早在暑假八月已密鑼緊鼓）。今年學校任務一如以往多，要辦好價值觀教育、也要推動AI融入學與教、STEAM教育、數字學習等重要工作。其中，學校亦必須妥善規劃如何使用「智」啟學教撥款，採購合適校本特色的軟件、硬件及服務。一些學校視採購新科技為「創新」的重要一步，期望以「硬件」帶動校園創新。

筆者認為學校創新關鍵不單在於硬件，而在於教師，在於家長，在於學校管理層。早前，筆者有幸到中華基督教會基全小學與新任校長鄭俊傑交流，最深感受並非學校引入了什麼先進設備，而是其以學生為中心的創新思維。鄭校長深明在AI時代，學生的知識儲備非常重要。為推動閱讀習慣，學校特意在操場設借還圖書的機器，方便學生「隨手借，隨手還」，善用科技「落地」以學生為本的教育理念。

今時今日，教育科技（EdTech）市場上的產品豐富得令人花多眼亂。只有從「用家」，也就是學生出發，學校才能善用科技改善學與教，令不同軟、硬件成為實踐教育理念的好工具。「創新」不是目的，「創新」是一種方法乃至一種思維，學校管理層要不忘初心，為學生而「創新」，而不是為「創新」而「創新」。

鄭校長正正是為學生，為學與教創新的能手。鄭校長過往一直站在STEAM教育第一線，是首批為香港迪士尼設計教材的教育工作者，希望學生能夠透過遊戲和體驗學習，實踐「理論與實踐並重」的理念。來到基全後，這種思維並沒改變，從推動STEAM課程結合中國文化與節慶，到近年推動AI及航天教育，其背後其實貫徹「透過真實有趣情境，激發學生好奇心」的教育精神。今日學校成立人工智能及航天教育資源中心，推動機械人及航天學習；明天學生又可透過閱讀探究更多相關未知領域。學校發展體系一脈相承，環環相扣，創新可以「落地」，方能下自成蹊。

未來，校長的創新力未必體現在驚天動地的改革，而往往體現在能否把不同學習元素自然融合，令學與教可以緊緊連接瞬息萬變的世界。科技固然重要，設備亦不可或缺，但如何把價值觀教育、閱讀習慣、STEAM學習和學生全人發展有機結合，才是真正教育界最重要的「創新」課題。

作者:鄧家豪，SAi Tech Limited及御學軒集團創辦人

教育4.0

** 博客文章文責自負,不代表本公司立場 **

2026年7月，在德克薩斯州特斯拉超級工廠，《經濟學人》主編贊妮·明頓·貝多斯（Zanny Minton Beddoes）與馬斯克進行了一場90分鐘的對談。被問到十年後的世界，馬斯克脫口而出：十年後，AI“遠遠超過人類智慧的總和”——而這個節點可能只要五年。“屆時將不存在任何AI做得不如人類的事，除了‘做一個人’本身。”

他還順手丟下更多炸彈：2036年金錢將失去意義；AI導致人類滅絕的概率是10%–20% ；未來超級智慧與我們的差距，將大過今天人類與黑猩猩的差距——黑猩猩能活著，靠的是人類的仁慈，而不是談判資格。

這是科幻囈語，還是嚴肅預報？要回答它，需要的不是站隊，而是方法。

一、AGI連定義都在打架

AGI（通用人工智慧）指在絕大多數認知任務上達到或超過人類的系統——但“絕大多數”是多少、誰來判定，業內並無共識。馬斯克用的是最直白的定義：“比最聰明的人類更聰明” ；DeepMind聯合創始人沙恩·萊格用“能完成普通人全部認知工作”的“最小AGI”；而Keras之父弗朗索瓦·肖萊（François Chollet）乾脆認為“會做題”不等於“有智慧”——他眼中真正的智慧，是面對從未見過的任務時學會新技能的效率。

馬斯克自己打了個比方：手機上的象棋引擎可以輕鬆擊敗世界冠軍，人類棋手與它之間連“有意義的對抗”都構不成。但請注意：象棋引擎並不“懂”任何事。這恰好點中了爭論的核心——AI超越我們的，究竟是“智慧”，還是“技能”？

二、科學家怎樣測量AGI還有多遠

與其聽名人拍腦袋，不如看三套正在運轉的“測量儀器”。

第一套：算力賬- 研究機構Epoch AI統計了1950年以來的重要模型：2010年以來，前沿模型的訓練算力以每年約4.5倍膨脹，演算法效率同時以每年約3倍進步——同等性能所需算力每年減少三分之二。這就是著名的“擴展定律”（scaling law）：模型性能隨算力、資料、參數呈冪律提升，跨越七個數量級依然成立。用外行的話說：多做十倍的題，分數就穩定地漲一截——十幾年了，這條曲線還沒彎。

第二套：任務時長- 獨立測評機構METR想了個聰明辦法：不考偏題怪題，而是測量“AI能不撒手獨立完成的任務，相當於人類專家幾小時的工作量”。結果：2019年的GPT-2只能撐2秒；2025年初的Claude 3.7 Sonnet能撐50分鐘；2026年初的Opus 4.6已能撐約12小時。這條“時間跨度”曲線以約每7個月翻倍的速度指數增長，2024年後甚至加速到約每89天翻倍。按趨勢外推，2027—2031年間，前沿AI將能獨立完成為期一個月的任務。

第三套：換考題- 一旦某套試卷被“刷穿”，科學家就換更難的：研究生級科學問答GPQA，人類專家正確率僅65%，如今最好的模型已超90%；為“防作弊”設計的數學前沿題庫FrontierMath，2024年底最強模型得分不足2%，一年半後已逼近50%；“人類最後的考試”（HLE）上線時模型得分不到10%，如今已升至40%–55%。

三、先例：AI確實“超越”過我們三次

圍棋（2016）- AlphaGo擊敗李世石，論文登上《自然》封面；它下出的第37手，被職業棋手稱為“人類永遠想不到的一手”。

蛋白質折疊（2020—2024）- 人類花50年、用X射線晶體學等實驗手段解析了約20萬個蛋白質結構；DeepMind的AlphaFold一舉預測了2億多個——效率提升約1000，資料庫免費向190多個國家的300多萬研究者開放。2024年，哈薩比斯與江珀因此摘得諾貝爾化學獎。一樁50年懸案，AI幾個月內關門。

數學奧賽（2025）- DeepMind的Gemini Deep Think在國際數學奧林匹克（IMO）官方評分中拿到35/42的金牌線成績。但請看細節：所有參賽AI都栽在了第6題上——那道題需要真正的創造性探索。強大與邊界，同時存在。

四、潑冷水的人：四堵看得見的牆

數據牆- Epoch AI估算，人類高品質公開文本總量約300萬億token，按當前消耗速度，將在2026—2032年間被“吃幹榨盡”（中位數2028年）。OpenAI前首席科學家蘇茨克維說得更直白：“數據是AI的化石燃料。”

可靠性牆- 單步準確率95%的系統，連走100步，整體成功率只剩0.95¹⁰⁰≈0.6%——這就是“複利錯誤”。考試可以靠單題取勝，現實世界卻是一場馬拉松：AI在髒亂、開放、不可逆的環境中的表現仍遠遜於人。

泛化牆- o3在肖萊設計的“反刷題”測試ARC-AGI-1上飆到87.5%（GPT-4o僅5%），轟動一時；但換到ARC-AGI-2，同類模型跌到個位數，而普通人輕鬆拿到60%以上。會考試，不等於會適應。

架構牆- 2025年AAAI組織的調研中，76%的AI研究者認為“光靠擴展現有路線”到不了AGI 。圖靈獎得主楊立昆（Yann LeCun）稱大語言模型是通往人類級智慧的“岔路出口”，2025年11月他離開Meta創辦“世界模型”公司，押注另一條路。

五、所以到底幾年？一張跨度40年的時間表

一個耐人尋味的細節：連最激進的《AI 2027》報告的作者本人，也在2025年底悄悄把時間表後調到2030年。這40年的分歧，本質上不是技術分歧，而是兩個假設的分歧：你相信指數曲線會一直保持嗎？你相信“會做科研的AI”會引發自我加速的連鎖反應嗎？

六、“上帝知道”的部分

1965年，數學家古德（I. J. Good）寫下那句著名警告：“第一台超智慧型機器，將是人類需要完成的最後一項發明。”一旦AI能自己設計更強的AI，反饋回路就可能引爆“智慧爆炸”——這正是馬斯克“十年後失控”論斷的理論原型。

嚴肅學界並未把它當笑話。2024年5月，本吉奧、辛頓等25位頂級學者在《科學》雜誌連署共識：前沿AI的極端風險（濫用、失控）是真實的，而人類現有的治理機構遠未準備好。馬斯克自己給出的估計是10%–20%的滅絕概率，並提議讓互相競爭的AI實驗室在發佈前互相審查對方的最強模型—— 一場連他都說“上帝才知道結果”的賭局。

結語：做一個清醒的讀者

筆者認為馬斯克的時間表可能錯——他的預測記錄素以激進著稱；但“專家們”也曾錯得離譜：2022年，學界還認為人類級AI要到2060年。真正值得追蹤的不是某個年份，而是三條曲線：METR的任務時長是否繼續翻倍、算力與資料供給能否跟上、AI在“髒亂現實”中的可靠性是否改善。與其背誦預言，不如盯住儀錶盤。

畢竟，如果那條曲線真是指數的，那麼無論拐點落在2028還是2047，我們留來準備的時間，都比直覺以為的少得多。

（數據來自Epoch AI, METR, AI Impacts 2023 Research, Metaculus, 由筆者用KIMI AI製圖)

（數據來自Epoch AI, METR, AI Impacts 2023 Research, Metaculus, 由筆者用KIMI AI製圖)

 

作者:馮穎匡博士，香港教育評議會執委兼AI教育工作小組副組長