【AI 世代教養學】答案很多的 AI 時代，如何訓練提問能力？

文／謝伯讓（臺大心理系教授、腦與意識實驗室主持人）

探究知識，怎麼樣才能延續下去？

我從高中時期就對「意識」這個問題非常著迷。我一直想知道：為什麼大腦裡的神經元放電，最後會變成我們眼前看到的顏色、耳朵聽見的聲音，以及腦中那個如此真實的主觀世界？後來很幸運，我進入心理學與認知神經科學領域，遇到了可以帶著我繼續追尋這些問題的老師。於是，年輕時單純的好奇，慢慢變成研究題目，甚至成了我二十多年來一直在做的工作。

回頭想想，當年我感興趣的其實遠遠不只意識。我也曾對物理學的許多問題感到好奇，對宗教與神學中的問題感到困惑，也對佛學裡關於心、我與世界的討論很有興趣。只是那個年代，想把一個問題真正追下去，成本非常高。你得先找到對的書，讀懂一個領域的基本語言，再找到懂這件事的人。很多時候，光是想知道「這個問題到底屬於哪個領域、該讀什麼書」，就已經很不容易，更遑論找到對的老師。

當我最後選擇了意識，其他許多問題在生活裡慢慢消失了。我有時會想，如果當年就有AI，事情會不會不太一樣？我當然不可能同時成為物理學家、神學家、佛學家和神經科學家，但那些突然冒出來的問題，至少不會輕易胎死腹中。

這或許是 AI 帶給知識世界一個很容易被低估的改變。它不只是讓我們更快得到答案，也讓一個問題「活下去」的成本大幅降低。在人類歷史裡，知識是一種稀缺資源。一個人終其一生能真正深入探索的領域非常有限。在這樣的世界裡，教育自然會強調記住答案：背誦定理、記住歷史年代、熟悉標準解法。誰知道得多，誰就更有學問，更容易存活。

AI時代，提問能力可以訓練嗎？

然而到了 AI 時代，情況開始反轉。今天真正稀缺的不再只是答案，而是那些能夠讓我們繼續走下去的問題。AI 時代真正值得培養的能力，也許就是提問。

那麼，提問能力可以訓練嗎？ 2019 年，教育研究者克拉克（Shelby Clark）、哈博（Allen Harbaugh）與賽德（Scott Seider）在美國四所公立高中、三千多名學生中進行了一項準實驗研究。他們用一套稱為「問題形成技巧」（Question Formulation Technique）的方式，讓學生練習大量產生問題、修改問題，並決定哪些問題最值得繼續追問。研究結果顯示，接受這類提問訓練與學生好奇心的提升顯著相關。這個發現告訴我們：問問題不完全只靠天分或個性，其中有些部分是可以練習的。

6種方法，在日常生活中訓練提問能力

那麼，究竟要怎麼練？以下有六種可以從日常生活開始訓練的方法。

一、化大為小，化虛為實
我們常以為自己「不會問問題」，但很多時候其實是問題太大。例如「AI 會不會改變世界？」這個問題，「世界」太大，「改變」也太抽象，很難知道該從哪裡開始思考。

在認知科學中，有一種常見的問題解決策略叫做「子目標化」（subgoaling），也就是把一個複雜任務拆成數個比較小、比較容易處理的階段。子目標之所以有用，原因之一就是把原本龐大的問題切成較小的部分，降低一次必須處理的複雜度。

提問也是如此。「AI 會不會改變世界？」可以拆成：「哪些工作最先受到影響？」「老師的角色會改變嗎？」「人還需要學習寫作嗎？」「如果創作成本大幅下降，藝術的價值會發生什麼變化？」每拆解一次，問題就更清楚，也更容易知道接下來要尋找什麼資料。

科學家經常面對極其巨大的問題：什麼是意識？記憶如何形成？然而真正進入實驗室之後，往往就是把問題切得愈來愈小，小到最後可以用一個實驗來回答。因此，遇到一個想不清楚的問題時，未必要立刻找答案。你可以先問自己：這個問題能不能再切小一點？

二、試著自己解釋「為什麼？」
第二個方法，是試著自己解釋「為什麼」。認知科學家米歇琳・奇（Michelene Chi）等人在 1989 年研究大學生如何學習物理問題時發現：學習表現比較好的學生，在閱讀解題範例時，會自發產生更多「自我解釋」（self-explanation）。他們不只看「這一步怎麼算」，還會試著理解這一步為什麼成立，以及它和背後的物理原理有什麼關係。

在後續實驗中，實驗者要求八年級學生在閱讀人體循環系統文章時進行自我解釋。結果顯示，進行較多自我解釋的學生，對文章內容形成了較完整的理解。由此可知，當我們接收了一個答案，如果還能試著自己解釋答案為什麼成立，那麼理解往往會更加深入。

例如有人說：「社群媒體讓社會變得更極化。」我們可以先試著解釋：可能是演算法會不斷推薦我們喜歡看的內容。再往下想：為什麼這會造成極化？可能又會發現，人本來就比較喜歡接觸支持自己觀點的資訊。這時還可以繼續追問：「如果沒有推薦演算法，人類原本的確認偏誤還會不會造成極化？」

到了這裡，原本一句看似理所當然的說法，已經變成一個更有意思的問題：究竟是科技改變了人，還是科技放大了人原本就有的心理傾向？好的問題很多時候就是這樣出現的。

三、把「是不是？」改成「怎麼知道？」
第三個方法，是我認為科學思考中特別重要的一個習慣：少問「是不是」，多問「怎麼知道」。例如，把「這種教學方法是不是比較有效？」改成：「我們怎麼知道這種教學方法比較有效？」只改了幾個字，整個思考方向就不同了。

教育心理學家海因茲・尼伯（Heinz Neber）等人的研究，把這類問題稱為「認識性問題」（epistemic questions）：提問的目的不只是取得一個事實而已，進一步形成、檢查或深化知識也很重要。在一項研究中，研究者讓高中的化學學生在真正進行實驗以前，先從觀察形成研究問題、提出可能答案，再思考要用什麼實驗來判斷答案是否成立。與一般進行實驗準備的學生相比，接受這套結構化引導的學生，更能提出具有因果性的研究問題。

這種思考方式和科學研究很接近。當我們問「怎麼知道」，接下來自然會出現更多問題：這個說法有什麼證據？研究怎麼測量？有多少受試者？有沒有控制組？效果持續多久？其他研究能不能重複得到相同結果？我們於是從被動接受一個說法，轉變成主動思考：一個人究竟憑什麼知道這件事情？

這個習慣到了 AI 時代尤其重要。AI 很容易給出完整、流暢，甚至看起來極具說服力的回答，但流暢不代表正確。當取得答案的成本愈來愈低，檢查答案的能力反而愈來愈重要。下次 AI或任何人告訴你一件很有趣的事情時，先別急著相信，多追問一句：「你怎麼知道？」

四、反問：「如果事情不是這樣呢？」
另一種很有力量的提問方式是反事實思考：「如果事情不是這樣，會怎樣？」例如，如果沒有社群媒體，政治極化會減少嗎？如果 AI 在 1990 年就出現，今天的教育會怎麼樣？

愛爾蘭的心理學家露絲・伯恩（Ruth Byrne）長期研究反事實思考。她關心的是，人為什麼會在事情發生之後，自動想像「如果當時另一件事發生，結果會不會不同？」這種能力與我們理解因果密切相關，因為當我們改變故事中的一個條件，再看看結果是否跟著改變時，往往就能更清楚地注意到不同因素可能扮演的因果角色。

許多重要的思想實驗也有類似特徵。愛因斯坦年輕時就曾思考，如果自己能追著一道光前進，究竟會看見什麼？現實世界裡沒有人真的能追著光旅行，但這類看似異想天開的問題，卻可能把思考推向原本沒有注意到的方向。

因此，當一件事情看起來理所當然時，可以試著把它拿掉、顛倒，或者改變其中一個條件。有時候，想像一個不存在的世界，反而能讓我們更清楚地看見真實世界。

五、跨領域提問：把不相干的組合在一起
第五種方法，是跨領域提問。很多新問題的來源其實非常簡單：把兩個原本分開的東西放在一起。例如，演化論可以解釋道德嗎？神經科學如何理解冥想？人工智慧會如何影響藝術？心理學能解釋金融泡沫嗎？

2013 年，美國西北大學的社會科學家烏奇（Brian Uzzi）與同事在《Science》發表了一項非常有趣的研究。他們分析了橫跨各科學領域的 1,790 萬篇論文，想知道什麼樣的知識組合最容易產生具有高度影響力的研究。結果發現，最成功的研究往往具有一個特殊配方：大部分知識仍然來自傳統、常見的組合，但其中會混入少數過去很少被放在一起的知識。具有這種「傳統知識＋不尋常組合」特徵的論文，成為高引用研究的機率大約是其他論文的兩倍。 

這個結果提供了一個很有意思的啟示：新的想法未必需要從零開始，它也可能來自把原本熟悉的東西，用不尋常的方式重新放在一起。跨領域提問的價值，就在於增加這種「不尋常組合」出現的機會。

六、不要只收藏答案，更要收藏問題
最後一個方法可能最簡單，就是把問題記下來。這件事情有一位非常有名的實踐者：達爾文。達爾文留下了大量筆記，其中甚至有一本直接題名為《問題與實驗》(Questions & Experiments)。筆記中留下許多他想進一步追查的問題、觀察與實驗構想。他留下來的不只是已經知道的答案，也包括許多當時還不知道答案、準備繼續追查的事情。

這其實是一個很值得模仿的習慣。我們現在很習慣收藏答案：看到一篇好文章就存起來，看到一句有趣的話就截圖，看到一段影片就加入稍後觀看。但或許我們也應該開始收藏自己的問題。為什麼今天看到這件事，我會覺得奇怪？這兩個現象會不會有關？如果把條件反過來，結果會怎樣？這篇研究如果是錯的，最可能錯在哪裡？

這些問題當下可能沒有答案，甚至看起來毫無用處。但問題留下來之後，我們就有機會在日後重新遇見它。有些問題會自然消失，有些會找到答案，也有一些可能和後來讀到的知識突然連接起來。因此，你可以試著想到問題就先記下來，不需要急著回答。久而久之，可能會發現自己看世界的方式開始改變：不再只是在世界裡尋找答案，也開始注意到還沒有答案的地方。

進入答案愈多的時代，問題愈顯得珍貴
我們可能即將進入人類歷史上「答案最多」的時代，卻也因此進入一個「問題更加重要」的時代。AI 可以幫我們搜尋資料、整理文獻、比較理論、寫程式，甚至協助提出假說。但在所有這些事情之前，仍然有一個更早的步驟：你究竟想知道什麼？

如果把未來的知識世界想像成一片巨大的森林，那麼 AI 很像一位能力驚人的嚮導。它可以告訴你前方可能有什麼，陪你走得更快，也可以在一條路走不通的時候，立刻幫你找到另外幾條路。然而森林這麼大，沒有任何一位嚮導能替你決定你究竟想去哪裡。

所以，在 AI 可以迅速提供答案的時代，我們值得保留一個非常古老又簡單的習慣。當看到一件有趣的事情、聽見一個理所當然的說法，或者突然發現某件事情似乎哪裡不太對勁時，不要輕易放過它。多問一句：「為什麼？」有時候，一段新的知識與人生旅程，就會從這一句話開始。