未來最快速學習的方法：如何透過AI逆向學習？

在人類文明的演進史中，教育始終被視為一種線性的、階梯式的知識傳遞過程。過去數十年，無論是東方的應試體系還是西方的學術傳統，皆奉行由下而上（Bottom-Up）的建構主義模型：學生必須首先在枯燥的基礎理論中沉浸多年，從字母、算式到基本原理，逐層累積，最終才被允許接觸真實世界的複雜難題。然而，隨着人工智能（AI）奇點的到來，這種延後滿足的教育邏輯正遭遇前所未有的挑戰。

最近筆者看到網上Gabriel Petersson的例子，啟發了撰寫今篇文章。這位瑞典的高中輟學生，僅憑藉好奇心與AI工具，在極短的時間內自學了深奧的數學與機器學習（ML）理論，並成功加入OpenAI成為研究員。他的成功並非偶然，而是揭示了一種以AI為核心、由上而下遞廻學習法（Top-Down Recursive Learning）的優越性。這種方法主張直接面對終端產品或真實問題，利用AI實時填充知識縫隙，將傳統須耗時數年的學習周期縮短至數月、甚至數周。

順序學習變得低效

Gabriel Petersson的路徑徹底翻轉了工業時代遺留下來的學歷鏈。在傳統語境下，一個高中輟學生要進入OpenAI幾乎是天方夜譚，因為傳統學術機構充當了知識的守門人，透過文憑與等級制度篩選人才。但 Petersson證明了，在AI提供無限槓杆的時代，主體意識（Agency）與解決問題的迫切性（Urgency）遠比學歷證書重要。

傳統教育的由下而上模型假設學習必須是順序的。學生在學習微積分之前必須精通代數，在編寫複雜算法之前必須掌握基礎算法。這種模式的低效之處在於，大量基礎知識在學習時缺乏實際應用場境，導致學習動機枯竭與知識遺忘。

相較之下，若採用的由上而下的模式，則是以項目或問題為核心的逆向工程。其核心機制在於：首先確定一個想要構建的目標（如一個AI圖像生成模型），當在構建過程中遇到技術瓶頸（如某種特定算法或數學公式）時，再利用AI進行實時、針對性的遞廻式學習。

逆向學習法的精髓

逆向學習法的精髓在於遞廻（Recursive）。當他遇到一個不懂的概念時，他會要求AI以「ELI5」（Explain Like I'm Five，像對五歲孩子解釋一樣）的方式解釋，建立初步直覺；隨後，他會要求AI類比，將抽象的機器學習概念（如Embedding）與現實世界的對象（如圖書館的分類系統）掛鈎。

更關鍵的是確認環節。我們會將自己的理解反向說給AI聽，並詢問：「我的理解準確嗎？有沒有遺漏？」這種不斷縮小的反饋循環（Feedback Loop）確保了他在不依賴傳統課堂的情況下，依然能建立起堅實的學科基礎。這種捷徑並非逃避基礎，而是透過高頻率的應用來鞏固基礎。

港教育界改變對AI態度

香港教育界對AI的態度在過去三年經歷了戲劇性的轉變。2023年初，當ChatGPT首次在全球掀起熱潮時，本港的大學曾因擔心學術誠信問題，率先對生成式AI工具發出禁令，規定未經書面許可使用AI可能被視為剽竊（註）。然而，這種防禦性的姿態很快被現實的巨浪衝破。到了2024至2025年，香港政府與教育機構意識到，AI不是一種可以被屏蔽的干擾，而是未來人才的核心素養。政府在2025年《施政報告》中展現了空前的決心，宣布向優質教育基金撥款20億港元，用以支持中、小學的AI數字教育轉型。

這種轉型標誌着香港教育治理邏輯的根本改變：從保護傳統評價體系轉向賦予學生未來競爭力。教育局明確提出，AI應成為學校數碼轉型的核心驅動力，並鼓勵教師利用AI實現因材施教（Personalized Learning）。在大學層面，改革更為深刻，港大與理工大學不再僅僅將AI視為工具，而是將其納入教學的主體。

港大推出的Trio Model（三人小組模型）要求教學過程必須由教職員、學生與AI工具共同參與。在這種模式下，AI不再是作弊的手段，而是與教師、學生並列的協作者，共同重塑學習體驗。理大則在2025/26 學年推出了名為AI-as-a-Tool for Language Learning（AITLL）的強制性課程，旨在讓學生掌握如何利用AI管理職場溝通與語言學習。這些舉措反映出，香港的大學正試圖將AI整合進評核機制中，例如要求學生提交與AI的對話記錄，以此展示思考過程，而非僅僅是最後的論文結果。

逆向學習法對香港教育文化的衝擊，最核心重點在於：如果AI能夠在幾秒鐘內給出正確答案，那麼過去幾十年建立在存儲知識與標準化測試基礎上的優勢將徹底歸零。在過去的教育框架中，寫作與編程被視為一種高門檻的技能，但現在AI被視為「寫作的計算機」。在香港的中學，學生開始利用AI來整理歷史數據、分析文學作品中的深層情感，甚至輔助進行跨學科的STEAM創作。