Sidewalk | 人行道

從規模競爭到信任競爭：AI agent 會如何改寫社群媒體？

2026-07-05T06:35:14.622+08:00

2007 年前後，我在部落格上陸續寫下「樂生危機」系列文章。那些文章不只是表達支持或反對，也試著整理工程方案、文化資產、地方發展、院民生活與行政責任。為了理解所謂的保留方案，我會引用其他部落客整理的圖面、訪談與規劃資料，追問究竟保留了哪些建築，又抹除了哪些生活方式與歷史意義。文章刊出後，其他作者會回應、補充資料，讀者則在留言區繼續討論。

那也是一個網路關係可以迅速轉化成集體行動的年代。

原本不認識的人透過部落格、社群書籤、即時通訊與獨立媒體彼此找到。有人整理工程文件，有人分析文化保存，有人採訪專業者，也有人到現場巡守、參與會議、辦理活動。網路上的連結不只將讀者導向其他文章，也可能把人帶到樂生院裡，讓原本抽象的爭議成為可以走進、觀看與共同承擔的地方。當時我在文章中寫道，地方必須真的走過，書上與圖上的變化才會產生意義，甚至長出力量。

這些討論當然不總是理性。網路爭辯經常激烈，運動內部也有挫折、誤解與關係耗損。但至少在那個時候，我們仍然相信：面對一項公共爭議，普通人不只可以表態，也可以透過寫作、查證、連結與協作，參與問題如何被社會理解。

這大概就是 Web 2.0 初期「我們就是媒體」（We the Media）對我最具體的意義。

從「我們就是媒體」到不再願意說話

Dan Gillmor 在 2004 年出版《We the Media》時，試圖捕捉一種正在形成的媒介變化，那些原本位於新聞生產邊緣的人，開始參與資訊的蒐集、報導與傳播。新聞不再只是媒體機構向大眾進行的單向傳送，而可能成為記者、當事人、讀者與公民共同參與的過程。這種期待不只是每個人都可以建立自己的網站。更重要的是，公共知識不必被視為專業媒體製作完成後交付給閱聽人的產品，而可以在一連串公開的補充、質疑與修正中逐漸形成。

樂生保留運動便發生在這樣媒體轉型的環境裡。

當主流媒體的注意力有限，運動參與者、獨立媒體與部落客可以自行追蹤事件，閱讀專業文件，並透過彼此引用形成不同於官方說法的事件敘事。某篇文章可能連向另一位作者的分析、現場照片、訪談錄音、工程圖面或會議紀錄。讀者面對的不是平台替他整理完成的單一答案，而是一張需要自行移動、閱讀與比較的連結網絡。

那時候的部落格寫作，也不只是把已經確定的立場展示給別人。寫作本身就是理解事件的過程。為了完成一篇文章，必須查找資料、閱讀不同說法、回應別人的質疑；文章公開後，其他人的留言、引用與反駁，又可能迫使作者重新思考原先的判斷。以樂生為例，文化資產、人權、捷運建設與地方發展並不是幾個可以輕易排列的選項，而是在不同作者、平台與社群之間被反覆辯論的問題。換句話說，公共表達與公共學習曾經是緊密連在一起的。

社群平台的過濾氣泡

然而，Web 2.0 降低內容生產門檻之後，也迅速製造了資訊過量。

當每個人都可以發表，任何人都不可能閱讀所有內容。社群平台與搜尋引擎於是逐漸透過演算法，替使用者決定哪些資訊值得優先出現。公共性的問題，也從「誰有能力發聲」轉變成「誰的聲音能夠獲得可見性」。

Eli Pariser 在 2011 年提出「過濾氣泡」（filter bubble），批評 Google、Facebook 等平台根據使用者過去的搜尋、點擊、社交關係與互動紀錄，替不同的人組織不同的資訊環境。個人化可以減少面對資訊洪流的負擔，卻也可能降低人們接觸陌生議題、不同經驗與反對觀點的機會。

「我們就是媒體」的承諾並沒有完全消失。每個人仍然可以發布內容，但可以發布不代表能被看見；每個人都能接觸公共資訊，也不代表大家面對的仍然是同一個公共世界。部落格時代的超連結，逐漸被平台內部的推薦與轉貼取代。過去，讀者可能從一篇文章跳到另一個作者的網站，看到不同的版面、語氣、引用習慣與資料脈絡。在社群媒體裡，文章則被切割成一則則貼文，放進由平台統一排序的動態牆。作者仍然在說話，但說話的可見度愈來愈依賴演算法如何計算互動、停留與分享。

過濾因而不再只是閱讀者的選擇，而逐漸成為社群媒體在監控資本主義時代的權力基礎。

當公開表達成為風險管理

近年更明顯的變化，或許還不只是我們看到什麼，而是愈來愈多人不願意公開說出自己在想什麼。當一則社群媒體貼文可能同時被家人、朋友、學生、同事、學術同行與陌生人看見，並且被截圖、轉貼，脫離原本脈絡後重新解讀，尚未想清楚的疑問可能被視為正式立場，後來修正看法也可能被當作前後不一。公開表達於是逐漸成為一種風險管理。

政治傳播所說的「沉默螺旋」並沒有因社群媒體提供更多發言管道而消失。Pew Research Center 針對 Snowden 與美國國家安全局監控事件所做的調查發現，受訪者在線上並不比面對面更願意討論爭議議題；當他們認為社群網絡中的人不同意自己時，也更容易保持沉默。這類研究不能直接證明所有國家、平台與議題都出現相同變化，但它至少否定了一項早期的樂觀想像：只要增加發言管道，原本不易被聽見的意見便會自然進入公共空間。

在樂生運動期間，公開寫作同樣會引起衝突。但當時的部落格文章通常具有較完整的篇幅與文本脈絡，讀者也較可能沿著引用與連結理解爭論從何而來。今日社群媒體上的意見，則經常被壓縮成一句話、一張截圖或一個立場標籤，再被推送給原本不在對話情境中的受眾。

這不表示人們不再關心公共議題。

人的思考可能只是退入私人訊息、封閉群組與只讀不回的狀態。較猶豫、較溫和，或不願承受衝突的人逐漸退出公開討論；平台上比較容易被看見的，則是立場鮮明的使用者、職業評論者、政治組織，以及熟悉演算法的內容生產者。這個轉變的矛盾在於：網路上的內容前所未有地豐富，真正以自己的身分公開試探、猶豫與修改想法的人，卻愈來愈難看見。是以，公共表達曾經被視為理解事件、尋找同伴與組織行動的一部分，如今卻愈來愈像一項必須計算後果的個人風險。

就在人的思考逐漸退出公共空間時，生成式 AI 開始大量進入社群媒體。

AI 進入社群媒體之後

在社群媒體上，生成式 AI 造成了兩種方向相反、卻同時發生的變化。

一方面，它大幅降低了公開內容的生產成本。

人們可以用 AI 寫貼文、改寫文章、製作圖片和影片，再把生成結果發布到社群平台。原本需要構思、採訪、整理或創作的內容，如今可以用極低成本迅速大量生產。「AI slop」便是這種變化的極端表現。它通常指大量製作、品質低落，主要為了取得點擊、流量或演算法推薦而生成的內容。當文字、圖片與影片的供應量迅速增加，社群媒體表面上可能更加活躍，卻更難判斷一則內容背後究竟是否有真實經驗、持續投入或願意承擔後果的作者。

另一方面，AI 也開始成為私人討論的對象。

現在，我在 X 上看到一則新聞或一段觀點時，不一定會在原貼文下留言，也不一定需要和其他網友展開論戰。我可以直接叫出 Grok，問它這則消息的背景是什麼、原作者是否省略了某些資訊、支持者與反對者的理由分別是什麼，或者要求它批評我目前的看法。

這種使用方式好處是，社群媒體上的公開討論，往往要求我們同時做兩件事，一方面理解問題，一方面展演自己的立場。但真正的理解通常需要一段不穩定的過程。我們可能提出不成熟的問題、暫時接受錯誤的假設，也可能在幾輪對話之後改變看法。面對網友時，改變立場容易被理解成輸掉論戰；面對 AI，卻沒有同樣的面子與身分負擔。我們可以要求它反駁自己、換一套理論重新解釋，或承認剛才的問題問錯了。在這個意義上，AI 可以成為一個低風險的「認知排練室」。

然而，真正的問題並不在於我們開始和 AI 討論新聞，而在於另一個更大的轉變：

如果 AI 不再只是被我們叫來討論某則新聞，而開始主動替我們決定每天有哪些事情值得知道，那麼它還只是討論工具嗎？

這正是《The Most Interesting Thing in AI》在專訪 Eli Pariser 時的討論重點。

從 Filter Bubble 到 Agentic Interface：當 AI 開始替我們組織現實

Eli Pariser 是《The Filter Bubble》的作者，曾參與 MoveOn.org 的網路政治動員，也是 Upworthy 的共同創辦人。目前他擔任 New_ Public 共同主任，持續思考數位媒體、社群與公共生活之間的關係。2026 年，Pariser 並不是站在社群媒體外部單純批判。他曾經參與網路政治組織、病毒式內容傳播與另類社群平台的實驗。他長期關心的問題都是：當媒介系統替人們選擇資訊時，它如何改變人們看見世界、理解他人與形成公共判斷的條件？

2011 年提出 Filter Bubble 時，他擔心的是平台如何根據個人行為，替每個人排列不同的內容。到了 AI agent 出現之後，他認為同一個問題即將進入更深的階段。他在 Media Party 曾以「After the Feed」為題，討論資訊環境如何從演算法動態牆走向由 AI 主導的代理人介面。

什麼是 Agentic Interface？

Pariser 所說的「代理人介面」（agentic interface），不只是聊天機器人，也不是在搜尋結果旁邊增加一個 AI 摘要框。

一般聊天機器人主要是回應式的。使用者先提出問題，它才回答。代理人介面則會根據使用者的工作、行程、關係、偏好與過去行為，主動判斷使用者此刻需要知道什麼，再跨越不同網站、平台與資訊服務進行搜尋、篩選、摘要和重新呈現。Pariser 描繪的情境是，未來早上起床後，我們可能不必分別查看新聞網站、社群媒體、電子郵件、行事曆與孩子的學校通知，而是由 agent 將這些資訊綜合成一份完全依據個人情境製作的簡報。它不只排列資訊，也會抽取重點、轉換形式，並為單一使用者製作特定版本。有人習慣在通勤時收聽，agent 就生成一段 podcast；有人偏好閱讀，便收到五點文字摘要；有人只關心下一步要做什麼，agent 則把資訊直接轉換成行程與待辦事項。

這代表資訊介面至少出現三項變化。

從瀏覽變成委託：過去我們必須親自穿梭於不同網站與平台，未來則把資訊蒐集與初步整理交給代理人。
從排序變成轉譯：社群媒體演算法主要決定哪些貼文排在前面；agent 不只排序，還會閱讀、摘要、改寫與重組。
從被動回應變成主動預測：它不必等使用者提出問題，便能依據個人情境判斷什麼值得注意。

從內容泡泡到理解泡泡

這也使 Filter Bubble 的意義發生了變化。

在傳統的過濾氣泡中，平台主要控制哪些內容可以被看見。兩個人在 Facebook 上可能看到不同貼文、不同朋友的近況與不同新聞來源，但他們通常仍在閱讀某篇具名文章或某則原始貼文。代理人介面更進一步。它可以讀完數十篇報導，再替使用者重組成一段流暢、完整而高度個人化的敘事。

因此，agent 不只決定我們看到什麼，也參與決定：什麼是事件的核心？哪些因果關係最重要？誰是值得引用的正方與反方？哪些資訊只是枝節？這件事應該被理解成危機、改革、衝突，還是管理問題？

生成式搜尋的初步研究已發現，不同系統即使面對相同查詢，也可能在來源選擇、語言與不確定性呈現上形成結構性差異；AI 摘要還可能削弱原始材料中的保留語氣，使資訊顯得比來源本身更加確定。研究者因而提出「答案泡泡」（answer bubbles）的概念，用來描述 AI 中介搜尋如何產生不同的資訊現實。

這就是 Pariser 所說「類固醇版過濾氣泡」（filter bubbles on steroids）最值得注意的地方。也就是說，AI 不只是製造內容泡泡，也可能製造敘事泡泡或理解泡泡。不同的人不只看到不同新聞，而可能從同一件事得到兩套各自完整、各自合理，卻很難互相比較的現實。

社群媒體過去主要根據點擊、追蹤、停留時間與互動行為，把使用者放進若干興趣或政治類別。但長期運作的 agent 則可能讀取我們的行事曆、電子郵件、文件、工作任務、對話紀錄與社交關係。它不再只是預測「這個人可能會點擊什麼」，而是逐步建立一套關於「這個人是誰」的模型。

這是為什麼 Pariser 進一步推測，未來的模型可能不只在共同模型外增加一層偏好設定，而會因長期互動產生更加深入的個人調整。即使所有人繼續使用相同的底層模型，只要 agent 能取用不同的個人資料、選擇不同來源，並以不同語氣與格式呈現，甚至傾向配合使用者已經表達的信念而產生「阿諛奉承」（sycophancy），就已足以產生高度分歧的資訊世界。

資訊爆炸下無法迴避的篩選

不過，如果只因為 agent 會替使用者篩選資訊，便判斷它一定比社群媒體更危險，也可能忽略代理人介面之所以具有吸引力的根本原因。那就是，隨著網路世界的發展，資訊量早已超過任何個人可以處理的程度。我們不可能閱讀所有新聞、社群貼文、郵件、研究報告與公共爭議。無論依賴報紙編輯、搜尋引擎、社交網絡、推薦演算法或 AI agent，我們都必須接受某種守門機制。

換句話說，不存在完全沒有資訊邊界的資訊環境。

自己訂閱固定媒體，是由個人習慣形成的邊界；追蹤特定學者與朋友，是社交網絡形成的邊界；報紙頭版，是專業編輯形成的邊界；Facebook 動態牆，是平台演算法形成的邊界；由 agent 製作日報，則是個人模型形成的邊界。問題不是要不要過濾，而是由誰過濾、依據什麼原則，以及過濾過程是否留下可以檢查的痕跡。

但代理人介面真正令人不安的地方，是它可能同時扮演私人祕書、新聞總編輯、搜尋引擎、解釋者、購物顧問與廣告管道。過去，我們至少大致知道畫面上的某一格是廣告。但是，當未來的商業推薦可能被寫進新聞摘要、旅行規劃、消費建議與世界觀之中時，免費 agent 可能把平台與贊助者的利益，包裝成「因為我了解你，所以這是最適合你的選擇」。

因此，真正的問題不是 agent 是否替我們篩選，而是：這個 agent 到底是代表我行動，還是代表平台、廣告商與模型公司管理我？

從規模競爭到信任競爭

除了過濾氣泡之外，Pariser 對社群媒體的未來還提出另一項判斷：當 AI agent 大量進入資訊環境後，數位平台的競爭可能逐漸從規模轉向信任。

過去二十年的 SNS 主要以規模建立優勢。平台擁有愈多使用者，社交網絡就愈完整；內容愈多，使用者停留時間就愈長；互動愈多，廣告價值也愈高。網路效應使大型平台愈大愈有用，也愈難被其他平台取代。

但 agent 可能削弱規模的部分價值。因為當 AI 可以跨平台搜尋、閱讀、比較和摘要，使用者不一定需要親自進入每一個大型平台。過去人們使用 Reddit、Facebook 社團、地方論壇或其他社群服務，部分原因只是為了尋找推薦、詢問附近消息、比較商品或了解政策。這些工具性的資訊需求，未來可能直接由 agent 完成。

另一方面，AI slop、機器帳號與自動互動，也會使大型公開空間上的信任判斷更加困難。例如，這篇文章是否由真人撰寫？這個帳號是否真的相信自己所說的話？這項推薦來自生活經驗，還是行銷操作？這場論戰中的參與者，究竟有多少是真人？

Pariser 借用「黑暗森林」的比喻，指出人們已經逐漸從大型開放平台，退入 Discord、Slack 與私人群組等高信任空間。在這些空間裡，最稀缺的資源不是更多內容，而是透過持續貢獻逐步累積的「厚實聲譽」（thick reputation）。

當文字、圖片與互動都可以大量自動生成，內容本身不再稀缺。真正難以迅速複製的，是可確認的身分、長期累積的聲譽、共同生活經驗，以及社群執行規範的能力。畢竟，資訊可以被無限生成，信任卻無法以相同速度生成。

這就是「從規模競爭到信任競爭」的意義。

然而，高信任的小型社群並不必然等於公共世界。私人群組可以提供信任、照顧與歸屬，也可能加深封閉與排他。地方社群可以處理共同問題，也可能把新住民、租戶或不符合主流想像的人排除在「真正的社區」之外。當所有人都退回熟人群組，我們或許得到較舒適的小共同體，卻失去讓陌生人、不同群體與衝突意見相互遭遇的場所。

因此，未來的問題不是在大型平台和小型社群之間二選一，而是如何讓小型社群累積厚實信任，同時仍然保留跨越群體的橋接關係。畢竟，公共空間的價值，正是在於它不只讓既有的高信任社群維持聯繫，也讓弱連結有機會轉化成信任。但如果未來的人都只停留在由 agent 管理的私人資訊環境，或退入原本就熟悉的小型群組，我們或許能得到更安全、更舒適的交流，卻可能失去這種從陌生人開始的公共關係。

邁向一個 more-than-human 的公共世界？

寫到這裡，我很難把自己放在這場變化之外。

樂生保留運動期間，我曾經持續在部落格上寫文章、整理資料、回應不同意見，也和原本不認識的人在網路上爭論。公開寫作不只是表達立場，也是我理解問題與參與行動的方式。但現在，我確實已經愈來愈少這樣做了。這當然有其方便之處，也帶著一點風險控管的意味。

聽完這集節目，我並不覺得我們只能在「人與人公開討論」和「人與 AI 私下對話」之間二選一。畢竟，從技術哲學的角度看，公共空間原本就不是一個由人類先行建立，再由媒介從外部加以傳遞的場所。公共議題如何出現、哪些證據能夠流通、誰能成為發言者，以及人們如何彼此連結，始終由人、技術、物件、文件、制度與具體場所共同組織。

Noortje Marres 所說的「物質參與」，正是要凸顯物件、技術與日常環境如何參與民主實踐。這個想法承接自 Dewey 的公眾理論。Dewey 認為，公眾不是一群人先天存在、之後才決定要不要關心某個議題，而是反過來，一群原本互不相干的人，因為共同承受某項問題造成的後果，才被這個問題召集、組織成一個公眾。

舉例來說，樂生保留運動本身就是一個 more-than-human 的公共空間。參與其中的不只有院民、學生、官員、工程師、記者和部落客，也包括院區建築、捷運工程、地下水與地質資料、保存圖面、文化資產制度、部落格、超連結，以及人們在現場的移動與停留。這些事物不是公共討論完成後才被拿來佐證的背景；它們共同影響了問題如何被看見、誰受到召集，以及什麼能夠成為具有說服力的主張。

因此，AI agent 的出現，並不是讓非人第一次進入公共討論。公共世界本來就是 more-than-human 的。

但與過去所不同的是，agent 將過去分散在不同媒介與角色中的能力集中起來。它可以同時搜尋、排序、摘要、轉譯、模擬立場、提出建議，甚至代替使用者採取行動。它不只承載公共資訊，而開始主動組織人們遭遇資訊與理解問題的方式。因此，問題不是 AI 是否應該存在於公共空間，而是它將如何重新組裝公共空間。

我並不期待回到一個沒有 AI、所有人都在公開平台論戰的年代。因為 AI 已經成為我們閱讀、思考與組織資訊的環境之一。未來的公共空間也必然會由人與 agent、平台、資料、文件和場所共同構成。

我想要持續思考的，是我們能否形成另一種人與 agent 的關係：它不只把公共資訊轉化成適合我的私人理解，也能讓私人理解產生新的公共連結；不只替我排除雜訊，也能協助我察覺哪些問題正在影響其他人；不只模擬不同立場，也能把我帶回那些不能由模型代言的經驗、場所與當事人。

More-than-human 並不意味著人、模型、平台公司與物件之間的權力因此變得平等。相反地，它要求我們更仔細地追問這個 agent 代表誰行動，依據哪些資料做選擇，哪些關係因此被強化，又有哪些公眾始終無法形成。讓我們用街道生活舉例。 Jane Jacobs 曾指出，讓街道維持安全與活力的，不能只靠警察巡邏或正式監控，更有賴街坊之間持續、日常、近乎無意識的相互注視。商店老闆看著街上的孩子，住戶注意窗外的動靜，路人也看著彼此。這些細微的接觸與觀看，在長期累積後形成一種難以明確言說，卻真實存在的公共信任。而當監視器與智慧看板進駐街頭之後，都市科技持續在觀察、記錄、計算路過的人，路人卻幾乎看不到那個正在觀看自己的「黑盒子」，也無從知道它如何分類自己、如何使用資料。這種 AI 基礎設施與日常公眾之間的不對等，有研究者稱為「互惠赤字」。

回到社群媒體。當 agent 以同樣不可見的方式，成為我們每天理解資訊的基礎設施時，我們或許正在製造一種類似的赤字，一種被理解得很透徹，卻無法回頭質問、參與、修正它的處境，長期下來侵蝕的不只是信任感，更是我們是否還相信這整套系統是為了我們而存在。

總而言之，公共世界從來都是由人與非人共同組裝的。而此刻，我們正站在 Pariser 所謂的轉折點，擁有一個「這一次把事情做對」的機會窗口，避免重蹈過去二十年社群媒體發展的覆轍。儘管存在加劇隔閡的風險，但若能建立正確的外部激勵機制與公共導向的介面，AI 同樣擁有幫助人類理解多元觀點、降低社群協作門檻的強大潛力。關鍵在於，我們是否願意投資於那些「不以利潤為唯一目標」的數位空間。

當 AI 開始做設計：從 UX 到 AX ，重新思考品味、技藝與設計迴圈

2026-06-24T07:28:26.934+08:00

「使用者體驗」（User Experience，UX）這個名稱在 1990 年代初期出現，但真正進入科技公司的商業核心卻不過是近十年的事情。

這是因為在桌面電腦時代，人們或許可以忍受一套每天只使用幾次的糟糕軟體；但當運算裝置進入口袋、通勤、社交與日常生活，手機介面上的每一個小問題都會變成持續累積的痛苦。換言之，行動裝置不只縮小了螢幕，也提高了人與軟體接觸的密度。UX 因此不再只是對介面的美化，而是技術能否進入日常生活的基本條件，甚至是產品策略與商業模式的核心。

但隨著近年生成式 AI 的發展，當越來越多的網站、App 與介面開始由 AI 生成或協助設計時，UX 這個概念還適用嗎？如果介面是由 AI coding agent 生成，使用者說出需求後不再需要親自操作每一個步驟，那麼設計師要服務的「使用者」，究竟是說出需求的人，還是替他執行任務的 agent？人與 AI 之間的設計分工，應該如何調整？

這正是在這集 a16z Deep Dives 節目裡，John Maeda 與 Paul Bakaus 試圖回應的問題。

Maeda 是設計師、藝術家與科技主管，目前擔任 Microsoft 工程副總裁，並持續發布《Design in Tech Report》，追蹤設計與科技產業的變化。Bakaus 是兼具設計與工程背景的創意技術者，曾在 Google 主導 Chrome DevTools 與創作者關係業務，現為 Renaissance Geek 創辦人。本文將以兩人的這場對談為基礎，依序討論四個議題：Maeda 提出的 UX 到 AX 典範轉移；AI 大量生成設計後出現的同質化問題（Bakaus 稱之為 AI slop）；Bakaus 開發的 Impeccable 如何試圖在人與 agent 之間建立共用的設計語彙；最後，當生成能力變得廉價，設計師的品味與技藝，為何成為 AI 時代真正稀缺的資源？

從 UX 到 AX：當軟體開始替人使用軟體

Maeda 認為，早在 1980 年代，MIT 的研究者就已在思考「自動化設計」（auto-design）的可能性，試圖讓機器承擔設計的執行工作。這個當時在實驗室裡的思想實驗，如今隨著 AI 技術的突破，在某種程度上真實降臨。他在 2026 年 3 月於 SXSW 發表的《Design in Tech Report》中，將 AI agent 帶來的這波轉變稱為從 UX 到 AX（Agentic Experience，代理人體驗），認為設計正從「打造介面」轉向「協調結果」。

簡單地說，AX 這個概念，在兩個不同層次上改變了設計的意義。

AX 的第一層：人的角色從「執行」轉向「評估」

過去的 UX，主要處理人如何操作軟體。設計師安排畫面、按鈕與操作流程，幫助使用者逐步完成任務。想要購買一張機票，人必須輸入目的地、選擇日期、比較班次，再完成付款。設計的工作，是讓這條路徑更清楚。但 AI agent 改變了這個前提。當使用者可以直接說「幫我安排下週去東京的三天行程」，人便不再需要親自完成每一個步驟。軟體不再只是等待指令的工具，而開始替人拆解任務、使用其他工具、作出局部決定並產生結果。

Maeda 將這項變化描述為從「執行的鴻溝」轉向「評估的鴻溝」。過去的問題是，使用者如何把意圖轉化為一連串正確操作；現在的問題則是，當操作被 agent 接手之後，人如何判斷它做了什麼，以及結果是否符合原本的意圖。設計的重心因而從打造操作介面，逐漸轉向協調結果。

這也解釋了為什麼 AI 在程式設計領域進展迅速，在設計領域卻仍面臨根本限制。程式碼有清楚的回饋條件（能否編譯、測試是否通過），但介面是否「比較安靜」、層級是否足夠清楚、品牌語氣是否恰當，通常涉及情境、文化與判斷，卻沒有單一的正確答案。因此，AI 是否能生成一個設計，和它是否能判斷設計品質，是兩個不同的問題。AX 的重要工作之一，因此是建立適當的回饋與評估機制：什麼可以被當作品質訊號？哪些事情仍然需要人來判斷？

AX 的第二層：agent 成為數位系統的使用者

當 agent 開始替人瀏覽網站、閱讀文件、呼叫 API 和操作軟體時，agent 本身也成為數位系統的使用者，而這帶來了另一個設計課題。

如果使用者是人，介面通常是可以看見的。按鈕是否明顯、字體是否容易閱讀、資訊層級是否清楚、操作後是否獲得適當回饋，都是 UI／UX 熟悉的問題。但如果直接使用系統的是 agent，介面就不一定以畫面的形式出現。它可能是 API 的命名與參數結構、命令列中的 --help 說明、文件能否被正確解析、錯誤訊息是否說明失敗原因，或系統是否清楚界定它能做什麼、不能做什麼。所謂的「美學」也隨之改變。對人類而言，美學經常與色彩、比例、字體和空間有關；對 agent 而言，好的形式可能意味著清楚、一致、快速、可預測，能妥善處理邊緣情況，並在出錯時提供足以修正行動的訊息。

因此，AX 不是沒有介面，而是介面從螢幕表面下沉到資訊架構、資料格式與系統規則之中。Maeda 認為，在這過程中，設計責任正在悄悄擴展。例如，負責 API 命名規範的工程師，在 AX 的脈絡裡其實做著介面設計的工作；而撰寫技術文件的人，其實決定著 agent 能不能有效地理解並操作一個系統。這些問題看起來接近工程，但設計師反而可能在其中扮演重要角色。因為設計不只是把東西變得好看，也包括命名、分類、資訊層級、回饋、導覽，以及決定一個系統應該提供多少選項。工程實作往往從「系統能做什麼」出發，設計則會進一步追問：「哪些能力真的值得被提供？做到什麼程度就已經足夠？」

AI slop：當自動化提高下限，也生產平庸

Agent 不只開始使用軟體，也開始製作軟體。Claude Code、Codex、GitHub Copilot 等 AI coding agents，已經能依照自然語言指令生成前端程式、建立元件並修改版面，使沒有完整設計或工程訓練的人，也能迅速做出一個功能可用、視覺上大致完整的產品。

這種變化提高了設計產出的下限，但提高下限並不等於提高上限。

當不同模型從大量相似的網站、設計系統與產品範例中學習，它們也很容易產生相似的結果。Bakaus 回顧，2022 至 2023 年間，AI 生成介面經常出現紫藍漸層；他將這種傾向部分連結到 Tailwind 等廣泛流通的前端範例與預設風格。現在的主流模型則又逐漸轉向所謂的「Claude 米色」、Instrument Serif 等特定字體，以及帶有色調的背景配色。

Bakaus 將這類產出稱為 AI slop。他在節目中將它比喻成演算法生成的 Uniqlo 或 IKEA，產品看起來乾淨、合理，也符合大多數人的基本期待，但很難從中看出特定的作者、情境與立場。AI slop 因此不是某一種顏色或字體，而是模型反覆退回統計上安全答案的傾向，它所產生的未必是最差的設計，而是最不需要承擔風險的設計。

有趣的是，Bakaus 與 Maeda 都把 AI slop 視為重要問題，但兩人態度卻大不相同。Bakaus 把它視為需要從工具與生成流程主動處理的同質化缺陷，試圖改變模型的預設路徑。Maeda 則從較長的設計史觀看待這件事。對他而言，AI slop 不只是模型尚未調整好的問題，也反映出設計能力正在被普及與商品化。

Impeccable：建立人與 agent 共用的設計語彙

作為同時具有設計與工程背景，也是早期 jQuery UI 的主要創作者之一的 Bakaus，在與 AI coding agents 協作的過程中注意到，資深設計師往往比工程師更能引導模型產出較好的視覺結果。

這差異未必在於設計師更會寫提示詞，而是他們擁有一套描述設計問題的專業語彙。當一個畫面看起來不對，缺乏專業語彙的人可能只能說「讓它更好看一點」，設計師則可能說「建立更穩定的垂直節奏」、「增加負空間」、「降低這個區塊的視覺音量」。Bakaus 指出，這些詞語之所以重要，是因為它們縮小了模型的解釋空間，把模糊的不滿轉化為比較明確的修改方向。

Bakaus 開發的 Impeccable ，正是試圖建立一套人與 agent 共用的設計語彙。它是一款開源 AI 代理人技能（agent skill）與設計輔助工具，直接運行於使用者自有的程式碼庫中。從功能上看，它的做法大致可以整理成三個彼此相連的層次。

語彙層（vocabulary）： Impeccable 將「垂直節奏」（vertical rhythm）、「負空間」（negative space）、「更大膽」（bolder）與「安靜一點」（quieter）等設計語彙，整理成 agent 可以載入的技能與命令，使 agent 能以較明確的設計概念理解並執行指令。Bakaus 也注意到，許多採用 Impeccable 的團隊，因為工程師與設計師開始使用相同的語彙，雙方的溝通摩擦也隨之降低。
品質層（quality layer）： 除了告訴模型什麼是好的，Bakaus 更強調要明確告訴它什麼「不能做」。Impeccable 在這一層建立了「反吸引子」（anti-attractors），系統性地列出被過度使用的預設字型、顏色與排版慣例，先要求模型辨認並排除自己最容易採用的形式，再嘗試其他設計方向。由於 slop 的外觀會隨模型演進而不斷更新，這份清單也必須持續維護：對抗平庸，本身是一個沒有終點的工程問題。
視覺迭代模式（visual iteration mode）： 建立在前兩層的基礎之上，Impeccable 提供「挑選與打磨」（pick and polish）的互動方式，讓使用者能快速選取特定設計元素、比較不同變體並進行精細修改，在人與 agent 之間形成連續的視覺迭代迴圈。

此外，Impeccable 並不只依賴單次命令，也會保存產品目的、受眾、語氣與反參考案例，使 agent 在後續工作中能讀取相同的專案脈絡。當 agent 缺乏具體脈絡，它只能回到訓練資料中最常見、最安全的形式；而當產品的對象、目的與限制被明確記錄後，模型才比較可能偏離通用答案。

對於 Impeccable，Maeda 給予了相當高的評價，將其比喻為一個可能的「PostScript 時刻」。PostScript 是 Adobe 在 1980 年代推出的頁面描述語言，使文字、圖形與版面能以一致的方式被描述，並由不同設備解讀與輸出。它的意義不只是自動化排版，而是建立一套能讓視覺意圖被傳遞與執行的語言。Maeda 認為，Impeccable 真正理解了設計不僅僅是套用濾鏡，還包含了對減法（subtraction）、空間平衡與各種設計維度的深刻掌握。

當生成變得廉價，判斷是否更加昂貴？

然而，知道「負空間」、「垂直節奏」或「視覺層級」這些設計語彙，固然可以幫助 AI 執行較明確的修改，卻不能替人決定什麼情況下應該採取哪一種方向。語彙可以被編碼，品味也能被完整編碼嗎？

Maeda 從「品味」的歷史條件切入這個問題。在他的分析中，品味長期與稀缺性相連。歐洲皇室以黃金與珍稀毛皮彰顯地位，正是因為那些材料不是人人可得；丹麥與日本對待材料的精細態度，也根植於物質條件的限制。但 AI 帶來的是形式上的極度充足、快速模仿的風格、無限生成的方案。而當形式不再稀缺，品味便不能只建立在「我能做出別人做不出的樣子」之上。

Maeda 將面對這種局面所需的能力稱為「信念」（conviction）。他引用前 Meta 主管 Jay Parikh 的觀點指出，當大量局部可行的方案唾手可得，設計領導者最難的工作是為了「全局最佳」（global maximum）而下注，而不是退縮到各方都可以接受的「局部最佳」。因為局部最佳意味著選擇已知可行的方案，但全局最佳則要求承擔風險，追求一個尚未被證明但整體上更具連貫性的方向。

Bakaus 則強調編輯力與節制。他援引 Steve Jobs 作為最高的編輯標準，認為最偉大的編輯者是那個懂得說「不」的人。即使機器可以代勞繁重的生成工作，決定「什麼不該做」的主觀意圖，是人無可迴避的責任。他用 Google Maps 說明「認知委託」與「認知棄守」（cognitive surrender）的差異。當我已經決定要去哪裡，只是請導航尋找最快路線，這是認知委託；如果我連目的地都不再判斷，只因系統推薦便直接前往，那就成了認知棄守。同樣的情況也會發生在 AI 協作中。agent 可能產生一份結構完整、語氣篤定的開發計畫，但如果人只是快速瀏覽便按下同意，被外包出去的就不只是繁瑣工作，也包括編輯權、目的與判斷。

因此，「人在迴圈中」本身並不足以保證人仍然掌握設計。Human in the loop 必須確保人的意圖、品味與異議能夠實質改變迴圈的下一步，而不只是在流程末端保留一個形式上的批准節點。人保留署名卻放棄實質判斷，不是委託，而是責任的不對稱移轉。Maeda 進一步指出，agent 承擔的執行工作愈多，人愈需要清楚自己保留了哪些責任。從執行者轉向治理者，不代表人可以變得更加被動，而是要求判斷必須更加精準。

結論

總的來說，Bakaus 與 Maeda 在這場對談裡回應的是同一個現實，卻選擇了不同的切入點。

Bakaus 的回應是工具性的，建立語彙庫、品質層，讓人能夠實質影響 agent 輸出的走向。Maeda 的回應是歷史性的，把當前的轉變放進設計史的長鏡頭，辨認出每一次自動化浪潮之後，人類如何找到機器無法複製的東西重新建立稀缺性。他甚至援引 1800 年代晚期的「美術工藝運動」（Arts and Crafts Movement）作為參照，預測當 AI 填滿大眾市場的設計需求後，人類作者性、責任感與判斷力將成為願意支付溢價的消費者所尋求的「信任感」。

從 UX 到 AX，設計師不再只是製作介面的人，而逐漸成為意圖、回饋、限制與責任的編排者。如果設計師能持續以品味與責任介入 agent 的行動—結果—回饋迴圈，那這產出就是人與 AI 的協作設計；反過來說，當設計師只剩下形式上的批准，不再設定方向、辨認差異或承擔判斷，那就不再是 AI 協助人做設計，而是人已經把設計交給了 AI。

只是，這恐怕不是我們所樂見的發展。

魔鏡啊，魔鏡：AI 時代的設計實踐、知識謙遜，與教育反思

2026-06-22T09:22:00.024+08:00

設計師似乎從未如此強大。

只要輸入幾段指令，生成式 AI 就能協助整理訪談資料、建立人物誌、繪製使用者旅程、提出設計概念、生成視覺風格、製作互動原型，甚至替設計決策補上一段完整而動人的論述。原本需要不同專業、數天乃至數週才能完成的工作，現在可能在幾小時內就產生可供展示的成果。

這種能力令人興奮，也帶來一種奇特的專業感受，彷彿無論面對什麼問題，我們似乎都能先做出一點東西。即使不熟悉某個產業，也能迅速整理市場趨勢；沒有接觸特定使用者，也能要求 AI 模擬其需求；尚未真正理解一套制度，也能先生成一張看似周延的系統圖。AI 不只提升了設計師的產出能力，也讓設計師得以調用遠超過自身教育、經驗與專業範圍的知識。

然而，真正該擔心的，或許不只是 AI 偶爾提供錯誤資訊，而是它讓我們更不容易感受到自己的無知。

當 AI 讓設計師看起來什麼都會

2026 年 6 月，任教於 Olin College 資工系的公共利益科技與工程教育學者 Erhardt Graeff 在「哲學、工程與科技論壇」發表了〈AI’s Humility Problem〉，提醒我們，生成式 AI 讓人可以使用超出自身理解的知識，卻沒有相應地幫助人認識理解的邊界。AI 因而可能侵蝕的，不只是個人的知識判斷，也包括支撐合作、民主與公共生活的「知識謙遜」（epistemic humility）。所謂「知識謙遜」，並不是要人否定自己的能力，而是能辨認自身能力的邊界，知道自己掌握了什麼、缺少什麼，理解哪些推論仍有待查證，也承認其他人擁有自己無法取代的經驗與知識。

這原本就是設計實踐不可缺少的能力。設計師進入陌生場域時，必須暫時擱置既有判斷；訪談使用者時，需要承認對方的生活經驗不能被自己的專業框架完全概括；參與跨領域合作時，也必須接受問題不一定能由設計單獨定義，更不一定能由設計解決。

但是，生成式 AI 改變了人感受自身有限性的方式。

過去，當一名設計師不了解醫療制度、都市更新、氣候治理或照護勞動時，這種「不知道」通常相當明顯。他必須閱讀、訪談、觀察、請教專家，也必須在一次次碰壁中修正理解。知識缺口不只是工作的障礙，也是學習的起點，甚至是設計研究最有生產力的條件之一。

現在，AI 可以迅速填補這些缺口。它會整理背景、歸納爭議、模擬利害關係人，將零散資訊組織成語言流暢、結構清楚的說明。設計師因而可能產生一種「借來的精通感」，也就是雖然沒有真正經歷知識形成的過程，卻已經取得看似成熟的分析成果。

Graeff 指出，許多運算與創新環境原本就獎勵速度、確定性與掌控感。 AI 進一步強化了這種文化，讓使用者產生一種錯覺，以為個人的教育與生活經驗已不再是限制，因為集體知識隨時都可以藉由 AI 被召喚出來。於是，設計中的危險不只是 AI 給出錯誤答案，而是它太容易給出一個足以讓工作繼續推進的答案。當 persona 已經生成、洞察已被條列、設計機會點也已經出現，我們便較少停下來追問：這些內容來自誰的生活經驗？哪些人並未出現在資料中？哪些衝突被簡化了？哪些文字只是用來填補空白的合理推測？

知識謙遜的價值，正在於保留這些尚未被填滿的部分。承認「我們還不知道」，不是設計失能的表現，而是讓真實的複雜性仍有機會進入設計過程。

一面會說話的鏡子

Graeff 的思考深受科技哲學家 Shannon Vallor 影響。她在 2024 年出版的《The AI Mirror》中，以「鏡子」比喻當代生成式 AI。因為她拒絕把 AI 想像成另一個逐漸甦醒、開始理解世界的心智。

Vallor 認為，大型語言模型以人類留下的大量文字、圖像與行為資料為材料，從中辨識模式並生成新的組合，它可以反射人類的語言、偏好、分類方式與價值判斷，甚至比一般鏡子更具迷惑性。因為這副魔鏡不只呈現影像，還會回應問題，以第一人稱說明理由，模擬理解、關心與判斷的語氣。

但鏡子不曾生活在世界裡。

它可以生成一段關於照護者壓力的描述，卻沒有照顧過失能家人；可以模擬都市邊緣居民反對開發的聲音，卻沒有面臨拆遷；可以寫出關於無障礙設計的同理敘事，卻沒有在城市中經歷身體移動的阻礙。

這個差異對設計師的重要性，不只是「內容夠不夠真實」，更關鍵的是，模型生成的他者並不具有獨立於設計師之外的社會位置。真實的使用者可以否定設計師的詮釋、拒絕被特定語言代表、要求重新定義問題，甚至直接退出合作。這種反駁與拒絕的能力，是設計研究得以修正自身的重要條件，因為它迫使設計師面對原有框架無法容納的現實。

AI 當然也能生成「你問錯問題了」這樣的句子，但它的反駁仍發生在設計師設定的提示與模型可用的資料之中。它不會因為被錯誤代表而抗議，也不會因設計結果而承受實際後果。到最後，螢幕上或許呈現了五種不同的使用者立場，卻沒有任何一個具體的人能拒絕被代表，或提出模型框架之外的問題。這或許可以稱為一種「無人在場的多元性」，多種聲音看似都已出現，真正能改變設計關係的人卻沒有進場。

這也涉及 Vallor 長期關注的「道德技能退化」，也就是技術系統在減輕人類某種負擔的同時，也可能侵蝕與那個負擔共生的能力。例如，導航工具替我們規劃所有路線之後，人們在城市中自行辨認方向的能力，也可能隨之鈍化。在設計研究中，AI 改變的不只是設計師做哪些工作，也包括設計師還有能力感受什麼。田野調查、深度訪談與參與式觀察的價值，不只是蒐集更多資訊，而是讓研究者被現實的複雜性所教育。在「這究竟是什麼意思」的迷霧中停留一段時間，設計師才可能看見原有框架的盲點。

真正改變設計方向的洞察，往往不是從整理妥當的資料中直接歸納而來，而是在某個難以分類的觀察、某句讓人不舒服的受訪者回應，或某次迫使計畫停下來的田野意外中浮現。當 AI 被用來迅速整理與填補未知，它可能提前吹散這片迷霧。設計師以為自己已經看懂，實際上卻可能只是讓既有預設更順暢地通過研究流程。最後的報告也許更完整、更漂亮，改變問題定義的能力卻變弱了。這不只是倫理問題，也是設計品質的問題。

鏡子還有另一項限制：它主要反射過去。

Vallor 強調，AI 系統從既有資料中生成答案，能告訴我們人類曾經如何描述和處理問題，卻不能替人類決定未來應該成為什麼。對宣稱面向未來的設計而言，這是一項根本挑戰。因為如果用來想像未來的主要材料，是由既有世界訓練而成的模型，那麼所謂的創新，很可能只是對既有形式的快速重組。訓練資料原本就較少留下弱勢者、非正式勞動者、地方知識與非主流生活方式的紀錄，AI 所生成的「典型使用者」，因而可能持續複製這些缺席。

不過，鏡子並非只能強化既有偏見。模型對資料模式的反射，有時也能讓原本被制度正常化的不平等變得可見。關鍵不在 AI 天生有益或有害，而在我們用它迅速生成答案，還是用它檢查自身的分類、預設與盲點。

擁抱 AI，還是被迫擁抱？

設計產業正在快速擁抱 AI，而且這種採用已不再停留在少數先行者的實驗。

Adobe 在 2026 年發布的《Creators’ Toolkit Report》中，調查了八個國家、超過 16,000 名創作者。75% 的受訪者表示，創意 AI 已整合進日常工作流程，或成為其中不可或缺的一部分；93% 認為 AI 能加快內容產出。不過，85% 同時主張，無論使用生成式或代理式 AI，最終的創意決定都應由創作者掌握。這顯示創作者一方面已將 AI 納入日常工作，另一方面仍試圖守住創意判斷與控制權。

Figma 在《State of the Designer 2026》中調查了全球 906 名數位設計師。89% 的受訪者認為 AI 讓工作更快，80% 認為它改善了跨團隊協作，91% 則表示 AI 工具有助於提升設計工作。相關資料也顯示，72% 的設計師已在工作流程中使用生成式 AI，且 98% 在過去一年增加了使用量。AI 因而不只是設計流程之外的輔助工具，而正逐漸成為設計工作的日常環境。

這兩份調查都由積極開發 AI 工具的平台公司發布，因此不能被視為完全中立的產業研究。但平台如何描述 AI 的未來，本身也具有塑造作用。Adobe 與 Figma 一方面以速度、品質、成長和協作描述 AI 的價值，另一方面也透過產品功能與工作流程，讓「使用 AI」逐漸成為創意工作與設計工作的預設條件。

因此，設計師對 AI 的擁抱並不是同一件事，而至少包含兩套性質不同的邏輯。若不加以區分，便容易把結構問題當成個人品德問題，或把仍可反思的專業選擇視為無從介入的必然趨勢。

第一種：由表演邏輯驅動的擁抱

這裡的「表演」，不是指設計師故意造假，而是指他必須透過可見的成果，向客戶、雇主，甚至向自己證明：我仍然是一名有能力、有效率，而且沒有被時代淘汰的設計師。AI 大幅降低了這種專業展演的成本。設計師可以在幾分鐘內生成一份看似完整的研究分析、一套視覺一致的設計方案，以及一段有理有據的決策說明。成果變多了，完成速度也變快了，設計師因而更容易展示自己能夠掌握複雜問題、快速提出方案，並駕馭最新工具。

諷刺的是，設計師過去最常用來證明專業價值的，是「使用者中心」與「以人為本」，但 AI 現在卻可能鼓勵設計師跳過與真實使用者相遇、被反駁和修正的過程，直接生產「已經理解使用者」的成果。於是，AI 不只協助設計師工作，也協助設計師表演專業。設計師展示的未必是理解本身，而可能只是理解完成後應有的外觀，例如完整的人物誌、清楚的洞察、流暢的問題定義，以及看似具有充分根據的設計方案。

第二種：由結構邏輯驅動的擁抱

它的重點不在設計師想不想使用 AI，而在於設計工作已經按照「AI 應該能提高效率」的前提被重新安排。當設計軟體將 AI 直接嵌入工作流程，客戶、主管與團隊便開始以新的速度想像一項工作需要多少時間、多少人力，以及多少預算。原本需要三天完成的工作，可能被期待在一天內交付；原本提出三個方案已經足夠，現在可能被要求一次提供十幾個版本；原本包含田野、討論與反覆修正的報價，也可能因為客戶相信 AI 已經降低製作成本，而被認為過高。

因此，一名設計師即使選擇不用 AI，也無法真正回到原來的工作條件。他仍然必須面對已被 AI 重新校準的交期、報價與績效標準。不使用 AI 不再只是選擇另一種工作方法，而可能被視為效率不足、成本過高，甚至缺乏與產業同步的能力。這就是結構性的強迫：設計師不必被主管明確命令使用 AI，只要整個工作環境已經按照 AI 的產能設定標準，他就很難拒絕。

表演邏輯要求設計師證明「我有能力使用 AI」；結構邏輯則預設「一名合格的設計師本來就應該達到 AI 所帶來的速度與產量」。前者改變的是設計師如何展示自己的專業身分，後者改變的則是設計工作得以生存的基本條件。

兩種擁抱並非個自獨立，更多是相互強化。設計師為了證明自己的專業價值，展示 AI 所帶來的速度、產量與成果完整度；這些原本屬於個人的能力展示，隨後會在提案比較、工時估算與績效管理中，被客戶與組織轉化為新的交期、報價與產能標準。早期採用者藉由 AI 取得的競爭優勢，於是逐漸成為其他設計師必須達到的基本門檻。問題並不是早期使用者有意迫使他人跟進，而是當個別成果被持續拿來比較，原本的加分能力便會慢慢變成所有人的最低要求。

這個轉化不需要任何組織正式宣布，也不必經過設計產業的集體協議，而是發生在一次次提案競爭、時程壓縮與價格比較的過程中。等到多數人意識到時，問題往往已經不再是「要不要使用 AI」，而是當工作已經預設必須使用 AI 的情況下，誰還能保留哪些不能被加速的環節？

只是，AI 所承諾的效率，不一定會使設計師的勞動環境變得更好。

假設 AI 讓原本需要三天的工作在一天內完成，節省下來的兩天未必成為更多田野、反思或休息時間。更常見的結果是，三天的交期被重設成一天，原本需要提出三個方案的工作變成需要提出十五個方案。效率很快被組織吸收為新的生產力基準。設計師可能沒有失去職位，卻逐漸失去成為設計師所需要的養成時間。他仍在進行使用者研究，但訪談先由 AI 摘要；仍在建立洞察，但最初的分類已由模型完成；仍被要求為最後的方案負責，卻愈來愈少參與材料如何被轉化成判斷的過程。

這正是為什麼「知識謙遜」需要被政治化。

如果只要求設計師保持謙遜，問題便容易被留給個人自律。但在追求速度與可展示成果的專案環境中，「我們目前還不知道」、「這些資料不足以支持結論」或「我們需要再進入田野」等專業判斷，往往被解讀為效率不足，而不是專業成熟。換言之，設計倫理要求設計師承認自身的有限性，AI 化的工作環境卻要求設計師表現得彷彿沒有任何事情能夠限制他。

因此，AI 治理不應只處理資料安全、著作權與工具規範，也必須面對工作如何被重新組織，包括AI 節省的時間如何分配？哪些判斷必須保留人工審議？初階設計師是否仍有機會透過基礎工作學習？設計師能否基於專業理由，拒絕某些自動化方式？

Graeff 長期主張的 design refusal（設計拒絕）在此尤其重要。他認為，設計師的責任不只是知道如何把東西做出來，也包括判斷何時不該設計、不該蒐集資料、不該自動化，或不該接受最初被交付的問題定義。但拒絕需要制度條件。若拒絕只依靠個別設計師的勇氣，承擔風險的仍然只是個人。設計組織、專業社群與教育機構必須共同界定：哪些工作不能因為 AI 而被無限壓縮？哪些研究與審議環節值得被保護？什麼樣的工作方式，是設計作為一項專業願意共同守住的底線？

清醒地使用 AI，當然不同於在毫無察覺中被 AI 重塑。但清醒若要產生作用，就不能只停留在個人的內心警覺，而必須轉化為可被執行的專業標準與集體協商。

我們正在培養什麼樣的設計師？

設計教育首先必須承認，學校無法讓學生免於進入前述的工作環境。學生畢業後面對的時程壓力、AI 化的工具生態與重新校準的產能期待，不會因為他曾在課堂上學過「知識謙遜」而消失。因此，若設計教育的回應只是一套要求學生保持反思與自律的道德建議，說服力十分有限。

學校仍然可以做的一件事，是在相對受到保護的學習環境中，保留判斷形成所需要的時間。學生需要真正經歷不知道，也需要在模糊的材料、失效的分類與他人的反駁面前，感受到自己的理解如何受到限制。這不是要求學生拒絕工具，而是讓他們建立一個參照點。只有經歷過這些過程，學生才可能在日後使用 AI 加速工作時，辨認自己究竟省略了什麼。

設計學習中有許多看似低效的工作，其實也是專業養成的一部分。新手在整理資料、比較版本、修改細節與回應批評的過程中，逐漸學會辨認差異、理解品質標準，也開始看懂一項判斷如何形成。AI 能夠完成某項任務，不等於學生已不再需要經歷其中的學習過程。

因此，問題不在於學生能不能使用 AI，而在於 AI 在學習過程中扮演什麼角色。AI 可以協助轉錄與整理材料，但學生仍應回到原始資料，檢查哪些語意被壓縮、哪些例外被忽略，以及模型如何建立分類。AI 可以提出 persona 草稿，但學生必須說明描述的證據來源，並指出哪些部分只是推測。AI 也可以生成設計方案，但學生仍需要比較不同方案所依賴的價值判斷，以及最後將由誰承擔後果。

評量方式也必須隨之改變。AI 很擅長生成「像反思的文字」，卻不能替學生完成反思本身。教育者不能只檢查最終報告是否完整，而應要求學生呈現判斷形成的歷程。他們需要說明自己的理解在何處改變，哪些主張仍然缺乏證據，真實參與者的意見如何迫使團隊修正方案，以及最後的決定由誰作出、由誰承擔責任。

更根本的問題，是設計教育能否允許學生最後決定「不設計」。

以成果展示為導向的設計教育，通常要求學生交出產品、服務或原型。即使田野已經顯示問題不適合由設計處理，也往往會希望多少做點什麼。當 AI 降低製作門檻，「沒有做出東西」反而更難被接受。但成熟的專業判斷，有時恰恰表現在知道何時不應繼續。這包括承認現有資訊不足以支持方案，真正需要的是資源重分配，而不是新的服務；也包括判斷某些資料不應被蒐集、模擬特定群體的觀點可能造成傷害，或原先的 design brief 本身就需要被拒絕。

我們或許想問魔鏡，誰才是 AI 時代真正的設計師？答案不在於誰能生成最多方案，也不在於誰能最快把概念變成產品。當「設計就是解決問題」被視為理所當然，設計師便容易把任何處境轉化為可以介入的問題，並預設自己有權提出解方。更重要的，或許是持續追問問題如何被界定、誰有資格發言，以及設計介入將帶來什麼後果。

但願未來的設計教育仍能保留一個空間，讓設計師有能力說：這件事我們還不理解、這個答案需要和真正受到影響的人一起討論，這項設計，我們現在不應該做。

足球能否催化氣候行動？

2026-06-21T13:01:47.004+08:00

足球與氣候變遷之間的關係，往往先從風險談起。極端高溫影響球員表現，暴雨與洪水使球場無法使用，乾旱增加草地維護的難度；對缺乏資源的基層俱樂部而言，氣候衝擊甚至可能直接造成訓練中止與場地關閉。另一方面，足球本身也是高碳體系的一部分。球隊與球迷長距離移動、場館能源使用、球衣與周邊商品生產，以及高碳企業對大型賽事的贊助，都使足球不只是氣候變遷的受害者，也參與了問題的製造。

但足球與其他產業不同之處，在於它不只是一套商業系統，也是一種深刻的文化與情感力量。對許多人而言，支持一支球隊並不是單純的消費選擇，而是一種長期身分、共同記憶與社群歸屬。正因如此，倫敦政治經濟學院日前舉辦的論壇「足球能否催化氣候行動？」所關心的，不只是足球產業如何減碳，而是足球能否利用這種文化力量，讓氣候議題進入更多人的日常生活。

論壇邀集了巴斯大學環境心理學教授 Lorraine Whitmarsh、Pledgeball 創辦人 Katie Cross、Football for Future 創辦人 Elliot Arthur-Worsop，以及兵工廠球員 Alexe Rojas。四位與談者分別從心理學、球迷行動、氣候溝通與職業球員的角度，討論足球如何影響人們理解氣候變遷，也討論為什麼球迷即使關心氣候，仍未必會採取行動。

其中最值得注意的概念，是 Lorraine Whitmarsh 提出的「多元無知」（Pluralistic Ignorance）。

你並不孤單：多元無知如何製造集體沉默

根據 Lorraine 在論壇中引用的研究，約有八成足球迷對氣候變遷感到擔憂，也願意採取某些行動。但許多人卻誤以為自己只是少數，並不知道身邊其他球迷其實抱持相似態度。

這種現象被稱為「多元無知」。它指的不是所有人都沒有意見，而是多數人私下具有相近看法，卻錯誤地認為其他人並不認同。因此，每個人都選擇保持沉默，最後共同維持了一種沒有人真正相信的群體規範。放在足球社群中，這種情況可能形成一個自我強化的循環。球迷擔心其他人不想談氣候，因此不願公開表態；俱樂部與球員看不到球迷的支持，也傾向認為氣候議題不受歡迎；各方的沉默最後又進一步強化了「足球迷不關心氣候」的印象。

這也使我們需要重新理解所謂的「態度與行為落差」。

一般談到這個概念時，很容易把責任放在個人身上：球迷明明說自己在乎氣候，為什麼仍然搭飛機看球、購買新球衣，或不願改變生活方式？但多元無知指出，不行動未必代表意願不足，也可能是因為人們不知道自己的立場是否獲得群體支持。畢竟，對許多人而言，公開表態本身帶有社會風險。當關心氣候看起來只是少數人的主張時，球迷可能擔心自己被視為掃興、政治化，甚至不夠「像球迷」。因此，縮小行動落差的重要方法之一，不只是提供更多氣候知識，而是讓球迷知道：「你並不孤單。」

公開呈現多數球迷對氣候問題的關切，不只是在傳遞一項調查結果，也是在修正人們對群體規範的錯誤認知。當球迷發現自己其實屬於多數，氣候行動才比較可能從私下態度轉變成可以公開表達的共同立場。

從擔憂到行動，中間為什麼會斷裂？

然而，即使球迷知道其他人也在乎氣候，行動仍不會自然發生。論壇中的其他與談者，分別指出了幾種造成斷裂的心理與溝通機制。

Football for Future 創辦人 Elliot Arthur-Worsop 提出「足球氣候認知落差」的概念。根據針對美國、加拿大與墨西哥球迷的調查，約有八成受訪者曾經歷極端天氣干擾比賽，但不到三成人會把這些事件歸因於氣候變遷。換句話說，球迷已經感受到氣候衝擊的「症狀」，卻未必能說出背後的「病因」。高溫、暴雨與賽事中斷往往被理解成偶發天氣，而不是較長期的氣候趨勢。這種認知落差，使人們即使親身經歷問題，也不一定會將其視為需要集體回應的氣候議題。

Pledgeball 的 Katie Cross 則提醒，解決這種落差並不能只靠更多教育。球迷未必缺乏知識，有些人甚至本來就在永續相關領域工作。如果俱樂部以高高在上的姿態「教育」球迷，反而可能讓人感到被說教。這也與足球作為「逃避現實」的功能有關。對許多人而言，看球是暫時離開工作、經濟壓力與日常焦慮的方式。氣候危機本身已是一個沉重議題，如果在球迷原本期待放鬆的時刻，以責任、危機或道德要求的方式介入，可能讓人感到掃興，甚至產生抗拒。因此，球迷不想在比賽進行中談氣候，不宜被理解成冷漠。更準確的說法是，他們會區分自己是否關心氣候，以及比賽當下是否適合進行這種對話。

Katie 更近一步指出，過於龐大的氣候目標可能造成另一種「行動癱瘓」。世界當然需要具備高度野心的氣候政策，但如果把改造整個經濟體系的責任直接壓在個別球迷身上，人們很容易覺得自己的行動微不足道。問題的尺度越大，個人越可能感到無力。

因此，氣候溝通不能只強調危機有多嚴重，也必須讓人感覺自己有能力參與，而且自己的行動能與其他人連接。Katie 特別強調「感覺」的重要性。知識未必會直接帶來行動，但當人們開始把「氣候行動者」理解成自身身分的一部分，行動才可能逐漸持續，甚至影響日後的政治態度與選擇。

兵工廠球員 Alexe Rojas 則從足球情感出發。他指出，球迷與足球之間具有近似宗教般的牽絆，而「沒有人希望足球消失」。與其抽象地談全球平均溫升，不如讓人看見氣候危機如何威脅他們已經珍視的事物，例如球場因洪水無法使用、天氣過熱使孩子不能踢球，或極端氣候迫使賽事不斷調整。這並不只是訴諸恐懼，而是把氣候問題重新放回球迷熟悉的情感世界。當氣候變遷不再只是遙遠的科學數字，而是可能改變足球的未來，它才更可能成為一項切身議題。

Alexe 也強調實際參與的重要性。相較於在社群媒體上接收宣傳，當球迷親手參與植樹、整理場地或捐贈球衣時，更容易感受到自己正在發揮實質影響。這種具體的成就感可以克服無力感，也可能透過球迷之間的關係擴散，形成他所說的「滾雪球效應」。

綜合這些觀點，球迷的行動落差並不是單一心理缺陷，而是由幾種因素共同造成：錯誤的群體認知、無法命名的氣候經驗、過大的責任尺度、不適切的溝通方式，以及缺乏可見的行動成果。

基層足球社群為何是值得信賴的傳遞者？

如果球迷不需要更多由上而下的教育，那麼，誰適合成為氣候訊息的傳遞者？

職業球員、俱樂部與內容創作者確實具有高度能見度。球員的公開發言可以讓氣候議題進入原本不關心環境倡議的群眾，也能傳遞「在足球世界中談氣候是正常的」這種社會訊號。但論壇中另一個更有意思的方向，是基層足球社群所具有的信任。這種信任並不只是因為基層社群距離人們比較近，而是因為它建立在長期共同生活與實際互助之上。

論壇提到洛杉磯街頭足球員的案例。部分參與者在當地沒有家人，當他們生病需要照顧，或搬家需要人手時，真正提供協助的是一起踢球的夥伴。足球社群在這裡不只是興趣團體，而是一套近似家人的生活支持網絡。

這種建立在照顧、依賴與共同經驗上的信任，可以稱為「關係型信任」。它不同於明星球員的象徵性影響力，也不同於俱樂部的制度權威。當氣候訊息由這樣的社群提出時，它不再像是外部機構要求球迷改變，而是由彼此依賴的「自己人」共同處理一項與生活和足球有關的問題。

這也使基層社群能夠回應前面幾種行動障礙。

多元無知需要成員彼此說出自己的關切；基層社群提供了這種對話空間。氣候認知落差需要把地方經驗命名成共同問題；基層球隊可以從高溫、積水與停賽的實際經驗開始。行動癱瘓需要可參與的小尺度實踐；共乘、裝備交換、場地維護與調整訓練時間，都是成員可以共同完成的行動。對說教的反感，則可以由平等的同儕關係取代。

因此，基層足球社群不只是傳遞氣候訊息的管道，也是一種讓氣候行動得以發生的社會基礎設施。它能讓成員看見其他人也在乎，讓問題被共同命名，也讓行動的成果被彼此看見。

從「你並不孤單」到「我們可以一起做什麼」

是以，這場論壇給我們這些關心氣候行動的人最大的啟發，並不是「足球擁有數十億觀眾，因此可以用來宣傳氣候變遷」這種直觀結論。因為，足球真正的氣候潛力，不只來自它的傳播規模，也來自它由許多密集、持續且彼此照顧的社群構成。這些社群讓足球不只是一項被觀看的運動，也是一種日常生活的組織形式。

多元無知提醒我們，許多球迷其實已經在乎氣候，只是彼此看不見。基層足球社群的重要性，則在於它提供一個讓這些隱藏態度被說出來、被聽見並得到回應的關係空間。

因此，足球氣候行動的第一步，未必是說服更多人接受氣候科學，而是讓原本沉默的球迷發現自己並不是孤立的少數。下一步也不只是要求每個人做出更環保的消費選擇，而是讓他們在值得信任的社群中，共同處理與足球未來有關的問題。

足球能否催化氣候行動，關鍵不只是能否影響更多球迷，而是能否讓分散的個人關切彼此顯現，再透過社群關係轉化成共同實踐。讓我們從「我其實也在乎」，走向「原來你也在乎」，最後才可能走向：「那麼，我們可以一起做些什麼？」

在崎嶇邊界上學習：Ethan Mollick 談 AI 時代的學徒制危機

2026-06-18T08:45:43.721+08:00

暢銷書籍《Co-Intelligence》一書的作者，賓州大學沃頓商學院教授 Ethan Mollick 日前上 Simon Sinek 的節目，討論 AI 時代沒有人真正教會我們、但每個人都需要的能力。這場訪談討論到許多議題，例如 AI 如何改變知識工作者的日常任務？為什麼傳統的人才培養管道正在被破壞？企業應該選擇用 AI 取代人還是增強人？教育現場如何面對學生使用 AI？以及未來人類仍然能在哪些地方保有判斷、品味與主體性。

這些討論很容易被整理成一份「AI 對工作與教育的影響」摘要。但我覺得，這集節目最有啟發性的地方，不只是 Mollick 提供了多少工具建議，而是他提出了一個更精準理解 AI 的概念：崎嶇邊界（Jagged Frontier）。

什麼是崎嶇邊界？

所謂崎嶇邊界，指的是 AI 的能力分布並不平滑。它可以在某些複雜任務上表現驚人，例如整理資料、生成初稿、提出分析架構、模擬角色；但在某些看似簡單、需要人類脈絡感的事情上，卻表現得很不穩定，例如精準掌握一個人的說話語氣、講出真正好笑的笑話、判斷某個比喻是否真的有意義，或理解一個團隊裡那些微妙的人際狀態。

因此，這篇文章不會把那集節目完整摘要一遍，而是嘗試以「崎嶇邊界」作為主軸，重新整理 Mollick 對 AI、工作與教育的觀察。我的問題是：如果 AI 的能力不是平均進步，而是在不同任務之間高低不平，那麼我們應該如何重新理解工作職能？如果 AI 最先接手的是初階工作者用來練功的任務，那麼專業養成會出現什麼危機？如果 AI 可以快速產出大量看似合理的選項，那麼教育又該如何訓練學生的品味、判斷與決策邏輯？

不是職業被取代，而是任務被重新切割

面對 AI 快速發展，上班族問「AI 會不會取代我的工作？」，老師則在教育現場問「學生都用 AI 寫作業，有沒有真的學到東西？」這兩個問題看似分屬職場與學校，其實指向同一件事：AI 不只改變我們如何完成工作，也改變人如何學會工作。

過去談 AI 對工作的影響，我們常用職業作為單位來討論：老師會不會被取代？設計師會不會被取代？律師、醫師、工程師、顧問會不會被取代？但這問法現在被指出太過粗糙，因為任何一種職業都不是單一任務，而是由許多不同任務組成。

一位老師的工作不只是上課，也包括備課、設計活動、批改作業、診斷學生狀態、處理課堂互動、建立信任關係。一位設計師的工作不只是產出圖像或方案，也包括理解脈絡、轉譯需求、判斷問題、協調團隊與說服利害關係人。一位顧問不只是寫簡報，也包括訪談、整理資料、建立分析架構、理解客戶真正沒說出口的問題，以及在模糊情境中提出可行判斷。

因此，當 AI 進入工作現場，它不會平均影響所有任務，而是會先重組工作內部的任務結構。有些任務會被大幅加速，例如摘要、初稿、資料整理、格式調整、簡報草稿、程式碼產出；有些任務會被商品化，例如通用型文章、常規企劃、標準化分析、看似完整但缺乏差異的內容；有些任務則反而變得更重要，例如問題定義、脈絡判斷、事實查核、品味選擇、語氣調整、團隊協作與倫理責任。

以寫作為例，AI 可以快速產出一篇結構完整、語句通順的文章。但它未必知道什麼是有力的開場，什麼是值得保留的細節，什麼是作者真正想說的話。它可以把事實平鋪直敘地排好，卻不一定能把事實轉化成故事。它可以寫出漂亮句子，卻可能缺乏真正的語氣與個人聲音。

至於程式工作，AI 可以協助產出可用的程式碼，但系統架構、需求判斷、維護策略、錯誤診斷與團隊協作，仍然需要人類專業者負責。就算是顧問工作，AI 可以快速整理大量資料，做出一份看似合理的簡報初稿，但真正困難的往往是判斷客戶問題是否被正確界定，資料背後是否有盲點，提出的策略是否能在組織現實中被推動。

所以，AI 時代的工作變化，不是單純的「人被機器取代」，而是工作內部的任務被重新配置。當 AI 能處理越來越多明確、可描述、可快速產出的任務，人類工作的重心就會逐漸從「產出」轉向「判斷」。

這裡也出現了一個重要的轉變。那些過去被視為核心產能的能力，可能變得便宜；反之，過去被視為輔助性的能力，反而變得昂貴。而當每個人都能用 AI 產出通用型的高品質內容，單純的「好」會開始商品化。文字都很流暢，簡報都很完整，企劃都很合理，設計都不難看。問題是，如果所有東西都合理，差異從哪裡來？

這時候，品味、聲音、脈絡判斷與人際協作，就不再只是軟實力，而是專業價值的硬核心。品味決定一個人是否知道什麼只是正確但平庸，什麼真正有意思。聲音決定一個人的表達是否能被辨識，而不是被 AI 生成的通用語氣淹沒。人際與管理能力決定一個人是否能處理真實專案裡那些充滿自尊、不安、疲倦、誤解與衝突的人類事務。評估與回饋能力則決定一個人是否能把 AI 的產出轉化為真正有價值的成果。

換句話說，AI 不是讓專業消失，而是改變專業所在的位置。未來的專業不只是你能不能完成任務，而是你能不能判斷任務如何被完成、由誰完成、在什麼條件下完成，以及完成之後是否真的有價值。

學徒制危機：當 AI 接手了新手的笨功夫

如果 AI 只是讓資深工作者變得更有效率，問題也許還不算複雜。但 Mollick 的觀察指出，AI 對工作世界更深層的衝擊，是它可能破壞傳統的人才培養方式。

許多專業養成都依賴某種隱性的學徒制。新手進入一個領域時，通常不會一開始就負責最高階的判斷。他們先做基礎工作：查資料、整理文獻、寫摘要、做簡報、草擬初稿、修改格式、記錄會議、跑簡單分析、觀察前輩如何修改自己的作品。

這些工作常被稱為「粗笨工作」（grunt work），瑣碎、重複、低階，甚至有點乏味。但它們其實具有重要的教育功能。

第一，讓新手累積材料感。新手透過反覆接觸資料、案例、語言、錯誤版本與格式要求，逐漸知道這個領域的東西長什麼樣子。這些直覺不是靠一次講解形成的，而是在大量處理材料的過程中慢慢累積。

第二，讓新手看見專業判斷如何發生。新手不是只在完成雜事，而是在旁邊觀察資深者如何修改、刪除、取捨、排序、轉述與判斷。這些細節構成專業判斷的日常訓練。

第三，讓組織有時間辨識與培養人才。低階任務是一種緩衝區，讓新人在風險較低的情境中逐步承擔責任。新人不會一開始就被要求做最終判斷，但會透過一次次小任務，逐漸學會什麼是可以信任的工作。

問題是，AI 最容易接手的，正是這些初階任務。

如果主管可以請 AI 在三分鐘內整理資料、產生摘要、做出簡報大綱，他為什麼還要花三天等新人完成？如果 AI 可以快速產出一份可用的初稿，中層主管為什麼還要把任務交給一個效率較低、還需要被修改的初階員工？短期來看，這當然提高效率。但長期來看，問題開始出現。因為如果新手不再做基礎工作，他們要如何變成能判斷 AI 輸出的專家？

這就是學徒制危機。

AI 對資深者是槓桿，因為資深者已經有判斷力，他們可以看出 AI 哪裡有用、哪裡錯誤、哪裡空泛、哪裡需要修正。AI 讓他們更快進入高階判斷。但 AI 對新手可能是陷阱，因為新手還沒有形成判斷力，就先拿到了看似成熟的答案。他們可能會以為自己理解了，其實只是看懂了一段流暢的說明；他們可能會以為自己完成了任務，其實只是讓 AI 替自己跳過了形成能力的過程。

這也讓教育問題變得更迫切。過去有些專業能力可以在職場慢慢養成，學生畢業後進入組織，從初階任務開始練習，逐步成為專業者。但如果這些初階任務在職場中被 AI 接手，學校就必須更有意識地設計「新手如何練功」的過程。

教育不能只教學生使用 AI。更重要的是，教育要問：學生如何累積材料感？如何形成判斷力？如何看出 AI 的錯誤？如何說明自己的取捨？如何在 AI 已經能產出答案的情況下，仍然讓自己的大腦真正參與工作？

如果 AI 接手了新手的工作，教育就必須重新發明學徒制。

但「重新發明學徒制」這句話，也藏著一個容易被忽略的前提：誰有條件去做這件事？資源充裕的學校與企業，或許還能刻意把基礎任務留給新人練習，即使 AI 更快、更便宜，也還能負擔得起讓新人在低風險情境裡犯錯、被觀察、被修正。但對資源緊縮的學校、競爭激烈的中小型公司，或是仰賴接案維生的工作者來說，「留時間給新手練習」本身就是一種要付出代價的奢侈品。換句話說，要不要保留學徒制，從來不只是教育設計的選擇，也是誰有餘裕做這個選擇的問題。

當產出變廉價，設計品味與決策邏輯變得更重要

過去，許多學習任務都圍繞「從零產出」。學生要自己寫文章、做簡報、完成企劃、整理資料、提出分析。這些任務的困難，很大一部分來自於學生不知道如何開始，不知道要怎麼把想法變成形式。但在 AI 時代，從零開始產出的成本快速下降。AI 可以在幾秒鐘內生成一篇文章初稿、一份商業企劃、一組簡報架構、一段程式碼，或十幾個看似合理的設計方向。這不代表創作能力不再重要，而是創作的問題改變了。

真正困難的，不再只是「如何產出」，而是「如何選擇」。

因為，AI 產出的不是一個答案，而是一堆答案，是一組選擇題。它可以快速給出不同版本、不同語氣、不同架構、不同方案。這些選項可能都不算差，甚至都相當完整。而當所有東西都看起來合理，學習挑戰就在於要如何判斷哪一個值得留下？哪一個只是安全但平庸？哪一個方向看似漂亮，卻沒有真正回應問題？哪一個版本有潛力，但需要被重新組織？

這就是設計品味與決策邏輯變得重要的地方。如前所述，品味不是「我喜歡」或「我不喜歡」這麼簡單，而是一種能在許多看似可行的選項中，分辨價值、做出取捨的辨識能力。但品味要從直覺變成可以被檢驗、被教學的能力，還需要另一塊拼圖：決策邏輯。

決策邏輯，是讓品味不只是直覺，而能被說明。學生不能只說「我覺得這個比較好」，而要能說明我根據什麼判準做出選擇？這個方案回應了哪個問題？它犧牲了什麼？它保留了什麼？它跟其他版本相比，差異在哪裡？它的風險是什麼？為什麼此刻選擇這個方向，而不是另一個同樣合理的方向？

這也是 AI 時代的設計教育可以介入的地方。當 AI 可以快速生成多個版本，教師不應只問學生「你做出了什麼」，而應該問「你為什麼選這個？」若能更進一步，還要問：「你如何知道這個選擇是有根據的？」

換言之，AI 初稿訓練的重點，不只是讓學生修改文字或修正錯誤，而是讓學生練習建立判準。AI 的初稿、企劃或設計提案，可以被視為一組原材料。學生的任務不是被動接受它，而是比較、篩選、拆解、重組，並說明自己的決策。

在這個過程中，學生會遇到 AI 常見的幾種問題。AI 可能平鋪直敘地列出事實，卻不會說故事；可能寫出結構漂亮但缺乏個人聲音的文字；可能提出華而不實的比喻；可能生成一組都很合理但都很無聊的方案；也可能一本正經地捏造論點。這些問題的重點不只是「AI 犯錯了」，而是提供了學生練習判斷的材料。

學生必須學會看出：哪裡只是流暢，卻不成熟？哪裡只是完整，卻沒有觀點？哪裡只是安全，卻沒有差異？哪裡看似有創意，卻沒有真正回應脈絡？這些判斷，正是設計品味的形成過程。

從這個角度看，AI 並不必然削弱學生的設計能力。它也可以成為一個訓練判斷的環境。過去學生可能花大量時間產出第一個版本；現在，AI 可以快速提供許多版本，讓學生把更多心智努力投入比較、取捨、修正與決策。前提是，教師必須把評量重心從「成果是否完整」轉向「選擇是否有理」。

因為，當產出變廉價，教育就不能只訓練學生完成作品，而要訓練學生形成判準。未來真正重要的能力，不只是做出一個東西，而是能在眾多可行選項中，說明為什麼這個方向值得被選擇。

重新設計學習：讓 AI 成為心智舉重的器材

Mollick 對教育的看法不是單純樂觀，也不是單純悲觀。他把 AI 看成一種毒藥與解藥並存的技術。

一方面，AI 可能破壞學習。因為學習本質上需要努力。理解概念、形成記憶、建立判斷、練習表達，都需要心智負荷。這就像讓大腦舉重。如果學生每次遇到困難都直接讓 AI 給答案，他們可能會以為自己理解了，其實只是看懂了一個流暢的說明。

另一方面，AI 也可能成為教育史上最強大的個人化導師。它可以根據學生的程度、興趣與困惑點，提供一對一解釋。學生不懂數學，AI 可以用籃球比喻；學生對編織有興趣，AI 可以把抽象概念轉成編織情境。這正是教育長期追求的個人化學習。

所以教育的核心問題不是「要不要使用 AI」，而是 AI 被設計成什麼角色。AI 是幫助學生思考，還是替學生思考？AI 是讓學生多練習，還是讓學生少練習？AI 是讓學生看見自己的盲點，還是讓學生更有自信地跳過盲點？

三種教學設計

1. AI 家教不直接給答案，而是主動提問

AI 不應該一開始就把完整解答交給學生，而是透過提示、反問、追問與案例建構，引導學生自己往前推進。

2. AI 任務要扣連學生自身經驗與觀點

當任務必須扣連學生自身的經驗與世界觀時，學生就不能只是複製 AI 的輸出。AI 的輸出必須回到學生自己的判斷中被檢驗。

3. AI 扮演批評者，而不是助手

教師可以要求學生請 AI 指出論點漏洞、提出反例、檢查證據不足之處，或從不同立場挑戰原本的分析。

更進一步，學生還可以把 AI 用於後設學習。也就是不只請 AI 修改內容，而是請 AI 檢視自己的思考方式。例如：「我的論點哪裡做錯了？」、「我有沒有忽略其他討論模式？」、「這個論證要如何更有說服力？」、「如果你是批評者，你會怎麼反駁我？」這類提問能迫使學生站到更高的層次，觀察自己的思考習慣與盲點。

這些做法共同指向 AI 教育的關鍵不是讓學生少費力，而是讓學生把力氣花在更值得的地方。

有些摩擦可以被 AI 移除，例如格式整理、語句修飾、資料初步彙整。這些摩擦未必構成真正的學習。但有些摩擦必須被保留，例如問題定義、證據判斷、觀點形成、回應批評、說明自己的推理。這些摩擦正是學習發生的地方。AI 時代的教學設計，不是消除所有學習摩擦，而是重新分辨哪些摩擦是不必要的阻礙，哪些摩擦是能力形成的條件。

當然，評量方式也必須跟著改變。過去，課外作業常被用來判斷學生是否理解課程內容。學生寫報告、完成習題、整理資料、提出分析，教師再根據成果給予評分。但 AI 進入之後，這套評量邏輯開始出現問題。因為學生交出的成果，不再能直接代表學生自己的理解。文字可能很流暢，架構可能很完整，答案可能看似合理，但這些都可能只是 AI 產出的結果。

因此，評量必須回到不可外包的場景。教師可以增加課堂內測驗與現場作業，讓學生在受控情境中進行限時寫作、口頭說明、概念測驗與現場推理，確認他們是否真的在大腦中建立了知識。這有點像過去教育界面對電腦、手機、平板時的處理方式：不是永遠禁止工具，而是區分哪些情境可以使用工具，哪些情境必須確認學生自己能夠完成。

課堂也應該更明確地轉向主動學習。當 AI 可以承擔部分講解、摘要與練習功能，課堂就不應只是教師單向傳遞資訊的地方，而應成為學生展現理解、互相辯論、回應問題、即時修正想法的場域。因為一個學生即使能用 AI 在課外完成漂亮的初稿，如果他沒有真正理解，就很難在現場討論中清楚說明自己的判斷，也很難在被追問時提出有根據的回應。

此外，評量任務也應該更常結合學生個人經驗、專業背景與世界觀。AI 很擅長產出通用型的高品質內容，但通用型內容的問題正是缺乏差異。若評量題目只要求學生整理一個一般性答案，AI 很容易代勞；但如果題目要求學生把概念放回自己的生命經驗、專業訓練、田野觀察或具體脈絡中，學生就必須做出自己的判斷。

這也意味著，AI 時代的評量不能只看最後成果，而要看學生能否說明自己的工作流程。教師需要評估的不只是學生交了什麼，而是學生如何使用 AI、如何判斷 AI 的輸出、如何把通用答案轉化成具體見解，以及如何在現場說清楚自己的推理。是以，期末報告的精彩之處不是建立在文筆、構圖上頭，而是學生能否討論它、辯護它、修正它，並把它連回自己的經驗與判斷。

結語：重新發明學徒制

Ethan Mollick 的 AI 討論之所以值得介紹，不是因為它提供了一套工具清單，而是因為它把問題重新放回人類的判斷、學習與主體性上。

AI 的能力會持續變動。今天的邊界，明天可能改變。因此，教育不可能只教某個工具的固定用法。更重要的是，培養學生面對不穩定技術環境的判斷力。AI 時代真正稀缺的能力，不是知道怎麼使用 AI，而是知道何時使用、如何使用、何時懷疑，以及如何在 AI 改變工作邊界時，重新理解自己的專業。尤其是，AI 不只改變工作，也改變了新手成為專家的路徑。當 AI 接手了初階任務，學徒制就不會自然發生。學生不會因為使用 AI 而自動變強；新手也不會因為拿到成熟答案，就自然長出成熟判斷。

如果，未來的學習，不是單純追上工具的迭代速度，而是在崎嶇邊界上練習判斷。那麼，教學者的任務就不該是讓學生更快完成工作，而是要給予適當的摩擦力設計，讓學生在 AI 可以完成工作的情況下，練習建立自己的品味與判斷力。

從職業到任務：AI 時代為什麼更需要跨領域？

2026-06-15T08:28:42.308+08:00

面對人工智能快速發展，最常被問起的問題通常是：「AI 會不會取代我的工作？」這個問題之所以令人焦慮，是因為它看似直接，卻很難回答。不同產業、不同職位、不同年齡層的人，面對 AI 的處境並不相同。有些人已經感受到工具帶來的效率提升，有些人開始擔心初階工作消失，也有人認為真正的衝擊還沒有全面到來。於是，AI 與工作的討論很容易在兩種極端之間擺盪，一邊是技術樂觀地認為 AI 會解放人類，另一邊是技術悲觀地指出大量工作即將被取代。

然而，Stanford Leadership Forum 2026 關於 AI 與勞動力重構的討論，提供了另一個不同的思考方式：與其直接問「哪些職業會消失」，不如先問「一份工作是由哪些任務組成」。

簡單地說，AI 對勞動市場的影響，未必是先讓整個職業消失，而是更細緻地發生在任務層面。某些任務會被自動化，某些任務會被 AI 增強，某些任務會變得更有價值，也有些任務雖然在工作場域裡變得低效，卻仍然是新手學習的必要過程。這種「任務導向」的觀點，讓我們能更精準地理解 AI 時代的工作變化。它也讓大學教育面臨一個更深層的問題，那就是：如果未來的工作不再穩定地對應到傳統職稱，而是由一組不斷變動的任務構成，那麼大學究竟應該培養學生什麼能力？

技術能力不等於社會落地

要理解 AI 對工作的影響，首先要避免一種常見誤解，認為只要 AI 技術能力快速進步，工作就會立刻被大規模取代。

史丹佛大學經濟學者 Susan Athey 在論壇中提醒，技術能力與實際執行之間存在落差。AI 在實驗室或展示場景中可以完成某些令人驚訝的任務，但技術要進入真實世界，還必須通過組織流程、制度規範、法律責任、管理方式與人類信任的考驗。例如，藥物研發不能因為 AI 能生成候選分子，就跳過臨床試驗；法律工作不能因為 AI 能整理判例，就取消專業責任；政府服務也不會因為 AI 能回答問題，就自動完成行政改革。技術的潛力要轉化為經濟與社會影響，必須與既有組織系統結合，並經過流程再造。

這也就是所謂的「組織摩擦力」。組織摩擦力不表示 AI 不會改變工作。它只是提醒我們，AI 的影響不是單純由技術能力決定，而是由技術能力與組織調整之間的落差決定。企業要重新分工，需要時間；管理者要改變績效評估方式，需要學習；員工要調整工作流程，需要新的協作規則；社會要處理責任、風險與分配問題，也需要制度設計與互補性創新。所謂「互補式創新」（complementary innovations），指的是組織流程、工作規範、績效指標、責任安排與教育訓練都必須跟著改變。沒有這些配套，技術能力就只停留在局部效率提升，而不會真正改變整體生產方式。

但組織摩擦力也不代表我們可以放心等待。它只是說明，AI 的影響不是單純由技術曲線決定，而是由技術能力與組織調整之間的落差決定。換言之，真正值得關注的問題，不只是 AI 可以做什麼，而是 AI 進入組織之後，工作如何被重新拆解、分配、評估與定價。

從職業到任務

ADP 首席經濟學家 Nila Richardson 提出的「任務導向」觀點，正好補上這個分析框架。

傳統勞動市場分析常常以職業為單位。人們會問：軟體工程師會不會被 AI 取代？客服會不會消失？設計師還有沒有價值？老師會不會被 AI 替代？但這些問題都太粗。因為一個職業其實是由許多任務組成的。以軟體工程師為例，這個職業可能包含理解使用者需求、拆解系統架構、撰寫程式、除錯、測試、文件撰寫、與團隊溝通、評估技術選項、維護既有系統，以及協調 AI agents。AI 對這些任務的影響並不相同。它可能高度改變程式碼生成與文件撰寫，也可能協助測試與除錯，但對需求判斷、架構取捨、組織溝通與責任承擔的影響，就不會是同一種形式。

因此，真正重要的問題不是「某個職業會不會消失」，而是這個職業內部有哪些任務正在改變。哪些任務會被自動化？哪些任務會被增強？哪些任務會變得更重要？哪些任務是新手累積經驗的入口？哪些任務則會成為未來高價值工作的核心？

Nila Richardson 甚至提出，未來我們可能不只需要傳統的「就業報告」，還需要「任務報告」。傳統就業報告關注的是新增多少職位、失去多少職位、哪些產業成長、哪些產業萎縮。但在 AI 時代，職位數量可能無法說明真正變化。因為一個職位可能仍然存在，但它內部的任務已經被重組。

這也讓「任務定價」成為關鍵。讓我們借用房地產估價中的「特徵回歸」（Hedonic regression）這概念，房子的價格不是由一個整體標籤決定，而是由地段、坪數、房間數、裝潢、採光、地下室等特徵共同構成，透過大量交易資料，統計模型可以估算每個特徵對房價的貢獻。工作也可以用類似方式理解。一份工作不是單一整體，而是由許多任務與技能組成。透過分析大量職缺、職業類別與薪資資料，就可能估算哪些任務正在提高工作的市場價值，哪些任務正在失去價值，哪些任務正在被 AI 自動化，哪些任務則因為 AI 而變得更重要。

這種任務導向的觀點，會改變大學與企業之間的溝通方式。過去學校常常不知道企業真正需要什麼，企業也常用模糊的職稱、年資或科系描述人才需求。但如果能夠更清楚辨識工作中的任務，企業不再只說需要「會 AI 的人才」，而是可以更具體地說，需要能拆解問題、協調 AI 工具、設計測試指標、判斷模型輸出、理解使用者情境並完成跨部門溝通的人。

這種「共同語言」也可能降低勞動市場中的資訊落差。對企業來說，它有助於重新設計招募條件與內部培訓。對學生來說，它有助於看見未來真正值得培養的，不只是某個職稱，而是一組正在升值、難以自動化、能與 AI 協作的任務能力。對大學來說，它提醒我們，課程規劃不能只依據既有學門與職業分類，也要理解工作內部任務結構如何改變。

自動化與增強

再往前一步思考，不是所有任務受到 AI 影響的方式都一樣，更精確的區分，是「自動化」（automation）與「增強」（augmentation）。

自動化指的是 AI 接管原本由人執行的任務。這類任務通常比較例行、重複、結構化，價值來源主要是效率與成本。例如資料整理、格式轉換、初稿生成、例行客服、基礎文件審查、簡單程式撰寫，都可能被 AI 大幅改變。

增強則不同。增強不是取代人，而是讓人能完成更複雜、更高品質、更跨領域的任務。例如創新研發、複雜商業策劃、精準醫療、公共服務設計、組織協調與高風險決策，AI 可以提供資訊、生成草案、模擬可能方案，但最後仍需要人類進行情境判斷、價值取捨與責任承擔。

這個區分讓我們看見，AI 時代真正有價值的能力，不是與 AI 比速度，而是利用 AI 進入更高複雜度的任務。當 AI 可以協助整理資料，人的價值不在於更快摘要，而在於知道哪些資料可信、哪些矛盾需要追問、哪些缺口代表新的問題。當 AI 可以生成設計草案，人的價值不在於產生更多版本，而在於判斷哪一個方案真正回應了使用者、場域與制度限制。當 AI 可以產出文字，人的價值不在於堆疊內容，而在於形成論點、辨識問題、組織敘事與承擔判斷。

這也是為什麼論壇中提到的 forward deployed engineer 或 forward deployed product manager 受到重視。這類角色的價值，不只是會寫程式或會操作工具，而是能走入真實業務現場，理解痛點，將大問題拆解為 AI 可以協助處理的元件，再把技術解決方案落地。

換言之，AI 時代的競爭力，不是比 AI 更快完成低複雜度任務，而是借助 AI 進入更高複雜度的任務。這種能力包括問題定義、系統拆解、工具協調、品質判斷、責任承擔與跨部門溝通。它不是單一技術能力，而是一種組織複雜任務的能力。

初級任務消失後，學生如何成為專家？

因此，眼下 AI 對年輕人帶來最大的挑戰，也許不只是「工作會不會被取代」，而是「新手如何成為專家」。

許多初級工作過去都包含大量基礎任務，例如整理資料、撰寫初稿、回覆標準問題、處理基本程式、製作簡報或文件。這些任務看起來低階，卻是新人進入專業世界的重要通道。新手透過這些任務，學會產業語言、品質標準、工作節奏與問題判斷。如果這些基礎任務被 AI 接手，就會出現一個矛盾：AI 提升了資深工作者的效率，卻可能削弱新手成為資深工作者的路徑。資深工作者可以把低複雜度任務交給 AI，專注於判斷與決策；但新手若沒有經歷過這些任務，就可能缺乏形成判斷力的過程。

這對大學教育帶來的挑戰是，大學不能只問哪些作業可以讓 AI 協助，也不能只把 AI 視為作弊風險。而是需要更根本地思考：哪些任務在工作場域中可以被自動化，但在學習場域中仍然必須被保留下來？

例如，讀論文、寫摘要這件事對社會科學老師來說可能是可外包任務，但對學生來說是理解能力訓練。基礎程式對資深工程師來說可以由 AI 生成，但對初學者來說是理解邏輯結構的入口。訪談逐字稿整理對人類學者來說耗時，對學生來說卻是接觸受訪者語氣、停頓、矛盾與情境細節的重要過程。設計草圖對專業設計師來說可以快速生成，對學生來說則是形成比例感、空間感與判斷力的練習。

因此，AI 時代的大學教育不能只追求效率。對專家而言低效率的任務，對新手而言可能正是形成能力的必要過程。學習不是只有產出結果，也包括經歷那些讓人逐漸形成判斷力的過程。這裡也可以看出，「任務導向」不只是勞動市場分析，也是一個教育問題。當 AI 可以快速完成許多基礎任務，大學需要重新判斷哪些任務應該被工具協助，哪些任務應該保留為學習鷹架，哪些任務則應該轉化為人機協作的訓練。

因此，AI 時代真正需要培養的，不只是 AI 使用能力，而是「任務判斷力」。

任務判斷力是指一個人能夠判斷一項工作由哪些任務組成，哪些任務適合交給 AI，哪些任務需要人類驗證，哪些任務必須親自經歷，哪些任務的價值來自信任、責任、情境理解與複雜協調。

這種能力比單純的工具操作更重要。畢竟，工具會變，模型會變，平台會變，但判斷任務結構的能力可以遷移。當學生能夠理解一個問題如何被拆成任務，如何安排任務順序，如何分配給人、AI 或團隊，如何驗證結果，如何在限制條件中推動行動，他就不只是某個工具的使用者，而是能夠組織問題解決流程的人。

從這個角度看，AI 時代的大學教育，不能只用「是否教 AI」來衡量，也不能只用「學生畢業後對應哪個職業」來理解。更重要的是，大學是否能幫助學生形成這種任務判斷力。

為什麼 AI 時代更需要跨領域？

雖然有點老王賣瓜，但我私心地覺得這場論壇對 TBD 的師生來說特別有啟發。

TBD 經常會被問一個很直接的問題：讀完之後要做什麼？

這個問題並不奇怪。多數人理解大學科系時，習慣用「職業出口」來判斷它的價值。法律系對應律師，醫學系對應醫師，電機系對應工程師，會計系對應會計師。即使實際上每個科系的畢業生都會走向不同職涯，這種「科系—職業」的想像仍然深深影響我們理解大學教育的方式。因此，當一個學程不像傳統科系那樣直接對應某個職稱時，就容易讓人感到不安。TBD 是跨領域設計學程，學生學習設計思考、田野研究、問題分析、共創協作、專題實作與社會創新。這些能力聽起來重要，但它們不像醫師、律師、工程師那樣，能夠立刻被翻譯成一個穩定的職業名稱。

可是，AI 時代正在迫使我們重新思考這件事。

如果未來的工作仍然穩定地依附在固定職稱上，那麼用職業來定義教育，或許還算直觀。但當 AI 正在重組工作任務，當許多職業內部的任務都在改變，當低複雜度產出可以被工具快速完成，真正重要的就不只是學生畢業時進入哪個職位，而是他是否具備在不同職位、不同組織與不同問題之間遷移的能力。

從這個角度看，TBD 不是沒有職業出口，我們只是不把學習侷限在單一職業出口。

畢竟，TBD 的學習機制，本來就不是為了培養一種固定職業，而是讓學生一再練習可遷移的任務能力。從創基課開始，學生不是只學一套固定知識，而是被要求從真實情境中觀察問題，練習同理、田野、分析與共創。到了移地學習，學生必須離開熟悉的校園環境，進入不同社會、文化與地方脈絡，理解問題如何被制度、生活方式與地方關係所構成。到了專題實作，學生面對的也不是標準題目，而是開放、模糊、牽涉多方利害關係人的真實議題。這些安排看似不像傳統專業訓練，卻正是在培養 AI 時代的核心能力。因為未來工作越來越不會只是依照固定職稱執行固定任務，而是需要人們不斷進入新情境，重新定義問題，理解不同角色，組織工具與團隊，並把模糊議題轉化為可能行動。

這樣說來，如果 AI 開啟了一個混亂的時代，那 TBD 或許是你更好的選擇。

粒子與量子：唐鳳×東浩紀論技術、民主與多元世界

2026-06-09T08:07:10.590+08:00

2025 年 4 月，日本財團與 IT 企業 Dwango 共同創辦了一所新的通信制大學——ZEN 大學。這所大學以 AI、資訊社會與人文思想的整合為特色，首年即招收超過三千名學生。而創立批評平台「ゲンロン」的東浩紀，是 ZEN 大學的教授。這場對談是台灣前數位部長唐鳳與東浩紀展開的一場特別對話。

這場關於 Plurality、AI 與民主的對談，並不是一般科技論壇式的趨勢討論。它更像是一場發生在新型高等教育現場中的思想實驗：當 AI 越來越被想像成「最佳答案」與「未來救贖」時，民主如何避免被技術最佳化所吞噬？人類又該如何讓 AI 成為促成關係的橋樑，而不是吸納一切的中心？

本文將從三個層次整理這場對談。首先，是技術與民主之間的關係，特別是兩位講者如何看待日本新興政黨「未來隊」（Team Mirai）所面臨的政治兩難。其次，是唐鳳所說的「公民 AI」如何對抗矽谷式奇點論，並把 AI 重新放回人與人之間的關係之中。最後，則是兩位講者對柄谷行人的短暫交流。

技術與民主：多元世界的兩難

AI 讓治理看起來越來越像一個可以被最佳化的問題。只要資料足夠、模型夠強，民意似乎可以被即時掌握，衝突可以被快速整理，政策也可以被計算出更有效率的解方。

但唐鳳與東浩紀共同提醒我們：民主不是一套產生最佳答案的機器。

東浩紀用「訂正可能性／可修正性」來理解民主。他借用杜斯妥也夫斯基《地下室手記》中「2+2=4」的意象指出，即使一套系統給出理性上無可挑剔、多數人也認同的答案，仍然會有人因為感到窒息，而刻意主張「2+2=5」。這不是在讚美任性或反智，而是在提醒我們：人會反抗絕對正確，會拒絕被規則完全吸收，也會要求重新修改遊戲本身。

因此，民主的價值不在於比 AI 更會計算，而在於它能不能容納那些不願被最佳解收編的人。唐鳳也呼應這點，認為健康的民主技術，不應把無法被分類、量化或迅速整理的聲音當成雜訊過濾掉。技術的任務不是消除分歧，而是讓分歧能被聽見、被翻譯，並重新帶回公共討論。

然而，將這套邏輯帶入選舉政治，困難遠比想像的大。日本新興政黨「未來隊」（Team Mirai）便是當前最具代表性的試驗場。

唐鳳指出，她過去在台灣是受任命入閣，不必直接面對選票壓力；但 Team Mirai 是透過選舉取得權力，因此挑戰完全不同。一旦 Plurality 進入政黨政治，它就必須面對選票、媒體、政黨競爭與國政議題的壓力。真正的考驗不是 Team Mirai 能不能開源，而是它能不能在政治壓力下，維持一套可被檢驗、質疑與修正的公共過程。

唐鳳因此建議 Team Mirai 不要只做「開源」，而要實踐「合併」。在民主政治中，更困難的是當反對者提出更好的建設性分支時，掌權者是否願意把它合併回共同的政策版本。換言之，民主的可修正性不只是讓人可以批評，而是批評有沒有機會改變制度本身。

東浩紀則指出，這正是 Plurality 進入政治後的矛盾。政治往往需要敵我劃分、明確立場與即時表態；但多元共治要求的是延遲判斷、承認資訊不足，並保留跨立場修正的可能。未來隊的領袖安野貴博最近正好遇到這種兩難。當他被問到對美國攻擊伊朗事件的看法時，他回答目前資訊不足，仍需蒐集資料再判斷。東浩紀認為，這是誠實的工程師式回應，但在政治場域中卻可能被視為缺乏立場。

面對這個困境，唐鳳提供的不是政策建議，而是一個思維框架的轉換：量子力學。

她指出，傳統政治是「粒子」的世界，不同力量相互碰撞，產生零和的勝負。施密特的敵我邏輯，正是牛頓力學式的政治想像。但如果我們改以「波」的形態來測量政治，事情就會不同。因為波可以互相穿透、重疊、共振，形成干涉圖樣，容許量子疊加（superposition）的多樣共存，而不需要強迫所有立場「坍縮」（collapsing）成單一的勝者。

公民 AI：當橋樑功成身退

如果第一部分談的是民主不能被最佳化，那麼第二部分談的就是 AI 應該成為一種什麼樣的存在？它是促成人與人連結的橋樑，還是吸納一切判斷與權力的中心？

唐鳳在對談中不是從抽象理論開始談 AI，而是先示範了她如何使用 AI。她在前往日本之前，透過 LLM 翻譯並閱讀東浩紀的日文著作《和平與愚蠢》。因為她不懂日文，若沒有語言模型協助，書中關於「愚蠢」與和平的思考可能仍停留在語言邊界之外。

唐鳳把 AI 形容為「助聽器」。助聽器不會取代聽者，也不是對話主體；它只是讓原本難以被聽見的聲音，重新進入人的感知範圍。更有意思的是，她還把透過 LLM 整理出的理解做成日文簡報，在後台拿給東浩紀看，問他：「我的 LLM 是這樣摘要的，你覺得如何？」東浩紀認為，這就像一種「外交的握手」，不是讓 AI 取代對話，而是讓兩個原本隔著語言與思想脈絡的人，有一個可以共同檢查與修正的起點。

這就是唐鳳的 AI 使用哲學：AI 是橋樑，不是目的。它協助人們跨越語言、文化與思想障礙；但一旦人與人之間的連結建立起來，AI 就應該退到背景。

這是一種「過橋即拆」的技術倫理。AI 的價值在於讓關係生成，而不是取代關係本身。

因此，唐鳳提出的「公民 AI」不是更有效率的 AI 產品，而是一種不同的技術政治想像。它的問題不只是模型能不能更準確、更快速，而是技術把權力集中到哪裡，又讓誰有能力修正它。對她而言，公民 AI 更像一種「語言協定」：它不因越多人使用而變得稀缺，反而越多社群採用，就越容易讓新的社群加入。它不是榨取式平台，而是共生（convivial）的介面，目標是促成人際關係的健康，而非人對技術的依賴。

這與主流 AI 平台的邏輯形成明顯對比。許多平台傾向將資料、算力、模型與介面集中到少數中心，使用者越依賴它，就越難離開。

也正是在這裡，唐鳳與東浩紀把問題推向「奇點」（Singularity）。東浩紀指出，矽谷常見的奇點論帶有強烈的一神教色彩。它把技術發展想像成朝向某個終極中心前進：一個全知、全能、能夠統合所有知識與治理能力的超級智能；一種神學式的未來敘事。

唐鳳則藉由「神」這個字在不同文化語境中的差異，提出一個有意思的對照。若翻成英文，神往往對應到 God，是獨一的、全知全能的超越存在；但在日文語境中，神也可以是「かみ」，接近自然、場域與關係中的多樣神靈。這個差異提示我們，AI 不一定只能被想像成一個吸納一切的超越中心，也可以被理解為某種暫時出現在關係中的媒介。

這並不是簡單地用亞洲反對西方，而是在區分兩種技術政治想像。在一神教式的奇點敘事中，意義匯聚於一個超越性的中心；但在唐鳳所說的關係性傳統中，意義存在於具體關係之中。關係建立時，意義存在；關係消散時，意義也隨之改變。

因此，以 Plurality 對抗 Singularity，並不是要創造另一個同樣龐大的技術神話，而是要重新思考權力如何被配置。奇點論像一個具有巨大引力的中心，不斷吸納資料、資本、治理能力與想像力；Plurality 則試圖讓權力回到多元社群、公共協定與具體關係之中。

在這個意義上，我們也不應把自己看作一個個居住在社群中的孤立個體。唐鳳更接近於把社群及其「關係的健康度」視為主體，而個體則像是連結不同社群之間的「干涉圖樣」（interference patterns）。

結語：柄谷行人的影子

對談接近尾聲，兩位講者都提到了深刻影響自己的日本思想家柄谷行人，以及他的「交換形態」（Exchange Mode）理論。

東浩紀是因柄谷的思想而走上哲學之路的，但他對柄谷晚期的發展帶著批判。他認為柄谷最豐沛的能量，原本在於探討日本與亞洲社會的問題，但為了追求北美英語圈的學術評價，他晚期提出的「交換形態 D（或 X）」變得過於抽象，脫離了具體的社會脈絡。理論飄向了西方學院所熟悉的普遍性語言，卻失去了那個最初讓東浩紀著迷的、紮根於亞洲現實的鋒芒。

唐鳳的做法，讓東浩紀看見了另一條路。

唐鳳將柄谷的高階交換形態理解為一種當下就可以初步實踐的願景。當她將工作成果釋出到公共領域時，她不尋求交易性的回報，甚至不要求互酬的保證——她只是在公共財中留下線索，期望與包括尚未出生的人建立連結。這是一種沒有收件人地址的信。

東浩紀觀察到，唐鳳正試圖從具體的關係性中，提煉出一種「複數的超越論性」（plural transcendentalism）。那不是柄谷式的、為了西方學院而抽象化的單一超越，而是容許波形重疊、多樣共存的超越。每一個具體的關係，都是一個局部的超越；它們不收斂到同一個奇點，而是繼續以干涉圖樣的形式散佈著。

這或許正是整場對談最深刻的地方。東浩紀在唐鳳的實踐裡，看見了他的老師柄谷行人理論上嚮往、但沒有真正做到的事，那就是讓亞洲的關係性智慧，不是成為對抗西方的另一個宏大敘事，而是以無數個具體的、可修正的連結，悄悄地重新配置世界的引力結構。

當 AI 讓一切都變簡單？迭代、判斷力，與設計決策

2026-06-08T04:46:30.329+08:00

Tony Fadell 的履歷就是一部消費電子史。他一手主導了 iPod，是 iPhone 的關鍵設計者，後來離開蘋果，創辦智慧家庭公司 Nest。這段過程都寫在《創建之道》這本書中。而在 AI 工具正在改變產品開發速度的此刻，當做出一個功能變得前所未有地容易，產品創新似乎也應該變得易如反掌，Tony Fadell 卻在這場訪談裡指出，真正重要的能力反而是人的判斷力、產品品味，以及對細節與架構的堅持。

要理解他為什麼這麼說，得先回到他從硬體時代一路累積下來的兩條老原則。

產品演化的三代法則

Fadell 提出一個產品演化的「三代法則」（Rule of Three Generations），可以用三句話概括：打造產品、修正產品、然後修正商業模式（make the product, fix the product, then fix the business）。

他的觀察是，當你開發的是世界上前所未見的創新產品時，面對的是一個尚未被市場理解的產品類別，沒有足夠的顧客資料、沒有成熟的使用情境、沒有穩定的商業模式，通常只能吸引少數早期採用者，而且很可能賺不到錢。也因此，幾乎沒有人能在第一次就把產品本身與賺錢方式的所有細節一次做對。創作者必須先有「會反覆迭代」的心理準備。

第一代 打造產品

先把「1.0 產品」推出去。這個階段通常只吸引到極少數死忠的早期採用者，公司多半是賺不到錢的。第一代的 iPod 和 iPhone，其實都沒有替蘋果帶來利潤。

第二代 修正產品

根據真實回饋調整產品。團隊針對痛點修正功能與體驗，把產品「調到位」。利潤數字可能稍微好看一點，但產品往往仍困在原本的小眾市場裡，談不上巨大的商業成功。

第三代 修正商業模式

技術與體驗成熟之後，重點轉向擴大規模、提升毛利、確保可靠度，並打開大眾市場。這才是一個「好產品」真正蛻變成一門「好生意」的時刻。

iPod 是最經典的例子。前兩代雖然被視為劃時代產品，卻只能連 Mac，市場因此被鎖死在佔比不到 1% 的 Mac 狂熱粉絲裡，通常第一季就把能賣的人賣光，隨後銷量停滯。直到第三代，團隊做出關鍵決策，讓 iPod 支援 Windows，並搭配 iTunes 音樂商店後，產品才真正起飛。有趣的是，這個決定最初被 Steve Jobs 以「跨過我的屍體」般的態度強烈反對，事後卻被證明是拯救蘋果免於破產的關鍵一步。iPhone 也走過同樣的路。第一代受限於 AT&T 獨家合約、只有緩慢的 2.5G、僅在美國發售，要經過後續好幾代把市場推向全球、把生態系補完，才成為利潤豐厚的帝國。

因此，如果你有一個好點子，別因為第一代沒有立刻大賣就放棄。除非核心理念有根本性的致命缺陷，否則你該做的是耐心「撐下去」，不斷從失敗裡學習迭代，直到第三代把商業模式也修好，爆發才會到來。

設計決策的判準：數據 vs 意見

Fadell 的第二條原則，是關於決策該依賴客觀的「數據」（data-driven），還是領導者主觀的「品味與直覺」（opinion-based）。

他認為，打造全新的「1.0 產品」，必須仰賴意見，而不是數據；因為當你做的是市場上根本沒有先例的東西時，根本不存在可參考的真實數據。這時硬要「數據導向」，通常只會落入兩種結果：要嘛抄襲既有產品做出毫無差異化的東西，要嘛拿到一堆「垃圾數據」（bullshit data）。他甚至直言，許多大公司花錢請顧問做使用者研究，真正目的往往不是做出艱難的決策，而是拿數據來自保、推卸責任。（不要這樣！）

那麼 1.0 產品該怎麼拍板？答案是交給一兩位、極少數具備願景的「品味創造者」（taste makers）來主導。最具代表性的，就是 iPhone 的鍵盤之爭。當年實體鍵盤與虛擬鍵盤的測試數據互有優劣，數據本身並沒有指出該走哪條路，最後是 Jobs 憑著強烈的個人意見拍板定案，甚至要求不認同的人退出專案。

但 Fadell 特別強調，這裡說的「意見」絕不是憑空瞎猜，而是一種「有根據的直覺」（informed gut），是領導者透過詢問專家、反覆製作原型、微觀管理關鍵細節。例如親自盯著 iPhone 虛擬鍵盤的錯誤率，所淬鍊出來的判斷力。（這點呼應 Robert Verganti 在《設計力創新》一書中所提出的「內部實驗室」）

相較於其他人以這個案例稱 Jobs 為獨裁者，Fadell 說這是「仁慈的獨裁」（benevolent dictatorship）。為什麼需要「獨裁」？因為做全新產品時缺乏數據，團隊裡的其他人往往看不見產品的完整全貌。這時若不堅定地指出方向，決策就會被稀釋掉。所以面對質疑時，領導者必須能清楚地說：「抱歉，這是一場仁慈的獨裁，我們就是要往這個方向走。」

那「仁慈」又體現在哪裡？體現在領導者願意一肩扛下風險與責難。他不是盲目專斷，而是先用「有根據的直覺」做判斷，再向團隊清楚說明決策邏輯，努力讓所有人朝同一個方向走；同時，他願意當那個「箭靶」，承認自己也可能犯錯，親自承受所有批評，並在日後負責修正。

AI 時代，這些原則更重要

理解這兩個原則後，我們就可以了解他為何警告我們：當 AI 讓開發功能變得太容易，「人類判斷」就變得更稀缺、也更關鍵。他提出的具體建議，可以整理成五點。

1. 拒絕「認知投降」（cognitive surrender），讓人類留在迴圈裡

AI 時代，你很容易只丟一段提示詞，產品或程式碼就自動生成。但 Fadell 堅持「humans in the loop」：如果開發者不懂每個功能的底層邏輯，也不去深究顧客的真實視角，把設計全盤交給 AI，產品就建立在極度脆弱的地基上。

2. 用 AI 大量做原型，但架構必須由人主導

AI 是培養「有根據的直覺」的強力工具，可以幫你快速測試想法、確立方向；但進入實作時，必須由人類架構師先建立穩固的軟體架構，把架構鎖定後，再讓 AI 去寫範圍受限的「子區段」（sub-segments）程式碼。他以一次 Claude 原始碼外洩為例指出，若程式碼有 90% 到 100% 都由 AI 撰寫，往往脆弱、難讀、缺乏分層；出錯時也需要有人類能理解發生了什麼，並把系統回滾回去。

3. 當心「快時尚」軟體與技術債

完全由 AI 生成的程式碼常常難以維護，像粗製濫造的「快時尚」（fast fashion），穿幾次就丟。過度依賴 AI 直接生成大架構只是換來短期便利，長遠卻會累積龐大的「技術債」，最終仍得打掉重練。

4. 專注打造「精品級」的產品體驗

因為「寫功能」變得又便宜又容易，未來市場將充斥盲目堆功能、什麼都想做的草率產品。真正能脫穎而出的，會是那些經過深思、具備工藝與關懷的「精品軟體」（luxury software）。這需要更強的產品思維：勇敢刪掉不必要的功能，把核心體驗打磨到極致。

5. 跨部門整合的全局觀無法被 AI 取代

做產品從來不只是把功能寫出來，還牽涉工程、行銷、銷售、製造之間的轉譯與整合。AI 無法自動理解並協調這些複雜的商業脈絡；少了優秀的行銷或架構人才，產品在後續版本更新中注定會撞牆。

結語：先從「後場」做起

雖然這幾年 Fadell 沒有固定專欄，但回顧他過去一年多的演講和訪談，立場倒是一貫。例如，在 2025 年 10 月 Insight Partners 的 ScaleUp:AI 對談中，他談到自己最不願意雇用的一種人，是那種什麼都懂、聽起來頭頭是道，但一掀開後台卻對不上的人；而他認為很多 AI 正是如此。

Fadell 提醒我們，AI 時代產品開發的問題不只是技術能力，而是產品倫理與判斷能力。我們不只是需要更多會使用 AI 的人，而是需要更多能夠在 AI 輔助下仍然保持清醒、能做取捨、能承擔後果的人。也正是基於這種「可靠優先於炫目」的判斷，他並不認為 Apple 在 AI 上動作慢是壞事，反而稱讚這種跑在裝置端、規模克制、把可靠度先做出來的「慢而穩」才是對的。

當然，是否真是如此，就看即將上場的 Apple WWDC 2026 囉。（笑）

當氣候變遷開始改變世界盃：數據、球員，與球迷

2026-06-05T05:05:59.722+08:00

2026 年世界盃即將在美國、加拿大與墨西哥舉行。這將是史上規模最大的世界盃之一，賽事橫跨 16 座城市、104 場比賽，預期吸引超過 500 萬名球迷進場觀賽。然而， Climate Central 這場名為 How Climate Change Could Slow Down the 2026 World Cup 的線上講座提醒我們：這場全球矚目的足球盛會，不只是體育賽事，也將成為氣候變遷如何影響運動、城市與公共安全的重要案例。以下是該場座談的簡單整理。

極端高溫不再只是「壞運氣」

理解這場危機的第一步，是承認極端高溫已不再是「壞運氣」，而是一個可被量化、可被歸因的系統性後果。氣候中心透過「氣候偏移指數」（Climate Shift Index）所建立的分析框架，能夠精確比對「有碳污染的世界」與「排除碳污染的世界」在氣溫分布上的差異，從而辨識每一個極端高溫事件中有多少比例源於人為暖化。

數據顯示，在 2026 世界盃的 16 個主辦場館中，有 14 個場館在賽事期間（6 月至 7 月）所出現的極端高溫天數呈現顯著上升趨勢。以達拉斯為例，自 1970 年以來，高達 49% 的極端高溫日可直接歸因於人為氣候變遷。換言之，若沒有化石燃料燃燒所導致的暖化，達拉斯近半數的酷熱天根本不會發生。對城市規劃者與賽事組織者而言，這意味著他們所面對的，不僅是變幻莫測的自然天氣，更是人類過去半個世紀積欠下來的氣候債務。

如果將今日各主辦城市的氣溫數據，與美國（1994 年）和墨西哥（1986 年）上次主辦世界盃前十年的基準相比，可以發現在 10 個重複舉辦賽事的城市中，6、7 月出現極端高溫的天數，平均已增加為當年的三倍。以邁阿密為例，在 1970 年代，這座城市在世界盃賽季幾乎不存在極端高溫；而今日，這類高溫天氣的發生幾乎完全受氣候變遷所驅動，成為一種全新的氣候常態。

Off Your Game：把高溫風險具體化

Climate Central 更進一步建立了一個名為 Off Your Game 的互動資訊平台，用來追蹤 2026 世界盃每一場比賽、每一座球場與每一支球隊可能面臨的高溫風險。這個互動平台主要功能如下：

賽事與氣候數據交叉查詢：使用者可以依照「球隊」、「主辦城市／體育場」或「特定場次」查詢 104 場世界盃賽事的數據，並查看特定比賽遭遇「損害表現高溫」（performance-impairing heat）的機率。
球隊的「高溫旅程」追蹤：平台提供視覺化工具，展示各國球隊從小組賽一路晉級到決賽的潛在路徑中，可能面臨的高溫考驗與變化。
即時賽事高溫風險更新：平台會列出「本週受氣候變遷影響最深的賽事」，並在世界盃期間每週更新，結合實際天氣預報，協助使用者提前了解高溫與高濕度風險。
免費圖表與報導素材：互動中心內提供的圖表、數據與專業球員觀點摘要皆可免費使用，方便新聞報導、故事撰寫或社群分享。
場館與在地氣候背景：工具也提供每個主辦場館自 1970 年以來的歷史高溫趨勢與在地氣候影響報告，補充更完整的城市脈絡。

高溫如何改變球員的身體與判斷？

那麼，高溫對在場上奔跑的球員意味著什麼？

根據 2014 年巴西世界盃的大規模數據研究，攝氏 28 度是一個關鍵的生理臨界點。一旦超過這個溫度，球員的總跑動距離、衝刺速度與高強度活動頻率等核心體能指標，都會出現可觀察到的明顯下滑。科學界將此稱為「效能受損高溫」（performance-impairing heat）。而數據預測，2026 年的 104 場賽事中，有 97 場比賽因氣候變遷而面臨更高的高溫風險；至少有 49 場比賽在極端高溫下進行的機率超過 50%。

在這些數字背後，是球員身體的真實痛苦。高溫下，肌肉分解加速、乳酸堆積加快，加上參加世界盃的球員通常剛結束長達 10 個月的職業賽季，傷停補時拉長至 100 分鐘以上的比賽更使這種消耗呈現「疊加效應」（compounding effect）。越到淘汰賽後段，球員越難以恢復至最佳狀態。

高溫尤其會造成球員在認知層面的損耗。足球是一項需要持續做出高品質判斷的運動，而高溫會直接影響大腦的運算效率，導致傳球失準、決策遲緩。在高溫比賽中，球員可能利用守門員治療、比賽暫停或其他合法中斷，為全隊爭取短暫喘息；而在訓練環節，部分球隊也會要求球員在 26°C 以上的高溫下穿著連帽衫與雨衣練習，以強迫身體提前適應賽時的高溫環境。

面對高溫，FIFA 目前推出了每半場最多 3 分鐘的「強制降溫時間」（Cooling breaks）作為因應措施。但有時候，休息反而會打斷球員努力維持的專注狀態，讓他們更清楚意識到自己有多熱、多累，重新進入比賽反而變得更困難。更弔詭的是，補時時間的延長意味著球員必須在場上曝露更久，形成一種惡性循環。

風險不只在球場內

在球場之外，高溫風險同樣不能被忽略。即使部分球場具有空調或遮蔽設施，觀眾在入場前排隊、交通轉乘、周邊活動與散場過程中，仍可能長時間暴露在戶外高溫之下。

換言之，世界盃的氣候風險不只發生在 90 分鐘的比賽內，而是分布在整個「賽事旅程」之中：從球迷出門、抵達城市、排隊入場、觀看比賽、離場移動，到志工、保全、販售人員與交通工作者的勞動現場。這也讓大型賽事的氣候調適不能只靠球場內部管理，而必須連結城市治理、交通安排、醫療應變與公共溝通。

2026 年賽事還面臨「複合型災害」的威脅：野火煙霧可能跨越邊境，使空氣品質急速惡化；季節性颶風與暴雨也可能在任何時刻癱瘓後勤系統。這讓氣候變遷的影響不再只是一個場內問題，而是牽動整個賽事生態的系統性風險。

從世界盃重新思考運動治理

總的來說，從運動治理的角度來看，淨零與氣候調適不能被切成兩件互不相關的事情。大型賽事一方面要面對碳排放與永續轉型，另一方面也必須面對氣候變遷已經造成的風險。2026 年世界盃的案例特別值得注意，不只是因為「哪幾場比賽會很熱」，更是因為它同時呈現了「運動造成氣候壓力」與「氣候反過來改變運動條件」這兩個方向。

過去我們談世界盃，常談國家認同、商業利益、城市行銷與球迷文化；但現在，「高溫」也成為我們不可迴避的重要議題。

為此，在台灣氣候行動週的號召下，SP0RTZ Studio 與台灣氣候行動網絡研究中心將在 6/29 晚上七點，於萬華世界下午酒場舉辦「地球出紅牌：世界盃 PK 氣候危機」論壇。讓我們一起看球賽，也一起看懂氣候危機如何改變運動現場。

學校本是閒暇之地：聽塔爾薩大學教學實驗有感

2026-06-04T06:16:58.798+08:00

今早在聽 Jennifer Frey 的專訪。她是哲學家，目前任教於 University of Tulsa，是該校 Department of Philosophy & Religion 的哲學教授，也曾擔任塔爾薩大學 Honors College 的創院院長。節目主軸在談人文學科的危機，談大學裡經典閱讀課程的衰退，也談 AI 對教育的衝擊。但核心在追問的基本問題是：大學教育究竟是為了培養能夠進入職場的人，還是為了培養能夠自由判斷、理解生命意義的人？

Frey 在訪談中區分了兩種教育想像：一種是「為職場而教育」，另一種是「為閒暇而教育」。前者把教育視為勞動市場的準備機制，關心的是學生是否具備職場能力、是否符合產業需求、畢業後是否能取得高薪工作。在這個框架下，大學越來越像人力資本培訓機構，學生則被理解為未來勞動力。當然，所謂「閒暇」，不是無所事事，也不是工作之後的娛樂，而是古典意義上的 leisure，一種讓人保留空間，去培養心智、美德、判斷力與內在自由的生命狀態。從這個角度來看，教育不是單純為了謀生，而是為了讓人理解自己為何而活、如何與他人共同生活，以及什麼才是值得追求的好生活。

這個區分在 AI 時代十分重要。當 AI 可以幫助我們寫作、摘要、分析、生成方案，甚至模擬某種「思考」時，如果教育只是為了培養可被市場使用的技能，那麼教育就會持續被技術效率追趕。只要機器能更快、更便宜、更大量地完成某些任務，以技能為中心的教育就必須不斷重新證明自己還有什麼剩餘價值。

因此，近年許多人開始為人文教育提出一種新的實用辯護：AI 時代更需要溝通能力、批判思考、同理心與創造力，所以學生仍然需要學習人文學科。這種說法看似替人文教育找到新的位置，但從 Frey 的角度來看，一旦人文教育只是被包裝成「軟實力訓練」，它仍然沒有脫離職場教育的邏輯。人文學科不再是幫助人追問生命目的與公共價值的教育，而只是讓人在職場中更具競爭力的補充工具。

因此，Frey 並不是否認工作的重要性，也不是主張大學應該遠離現實世界。她真正反對的，是當教育被工作完全定義，人被經濟體制完全理解為勞動力。畢竟，當教育只剩下「如何適應職場」時，學生可能會變得更有用，卻不一定更自由；可能更能完成任務，卻不一定知道哪些任務值得完成。

曾經，塔爾薩大學的校長聽了 Frey 的演講後，邀請她建立一個小型的「大部頭經典」榮譽學院。課程橫跨四個學期，從荷馬、柏拉圖，一路讀到馬基維利、瑪麗·雪萊，最後抵達漢娜·鄂蘭。課程緊密結合榮譽宿舍社群，強調的不只是閱讀，而是「在群體中共同探索」的生命經驗。結果出乎意料地熱烈。每年有將近四分之一的大一新生自願加入，而且大多數是理工科，也就是 STEM 主修的學生。這些本來沉浸在工程計算中的年輕人，在讀完柏拉圖《會飲篇》之後，回到宿舍自發舉辦自己的討論，沒有學分，沒有老師，只因為他們真的被打動了。

所以，所謂「AI 時代最好的防衛是讀柏拉圖」，不應被理解為一種懷舊姿態。它真正要說的是：人不能把意義與判斷外包給機器。因為，閱讀經典的價值，不在於記住某些古老思想家的觀點，而在於讓學生反覆進入艱難的問題之中，練習如何理解複雜論證、如何面對價值衝突、如何在不確定中形成自己的判斷。

然而，當初招募她的校長與教務長相繼離職，新任行政團隊以「節省經費」為由，將計畫預算削減了 92%，所有教職員隨之解散。那個讓學生自發聚集、深夜討論柏拉圖的地方，就此關門。

塔爾薩的故事揭示的，不只是一所大學的短視，而是更結構性的困境。現代研究型大學從根本上就不是為博雅教育而設計的。教授被訓練成高度專業化的知識生產者，而非引領學生探索生命意義的導師。人文學科為了在「科學專業模式」主導的體制中求生，被迫將自己切割成一個個狹窄的研究領域，反而失去了原本擁有的廣度與精神能量。過度專業化的學科壁壘、極端功利主義的評鑑邏輯、以企業效率思維管理的行政體制，三者共同構成了一道對博雅教育幾乎無解的制度之牆。

「在現代大學體制中，學生的興趣與需求根本無關緊要。」Frey 這麼總結這個實驗。

然而，我在聽這場專訪時，內心總有那麼一點不安，因為這種對於博雅教育的定位隱含著一種「人文社科」與「理工科學」的對立。更重要的是，當我們在問「教育，究竟是為了閒暇，還是為了職場？」時，問題本身預設了一個我們早已習以為常卻從未真正檢驗過的框架：教育的疆域，是由「科學」與「人文」兩個領域所構成的。

這讓我想到 1979 年，英國設計研究學者 Bruce Archer 在 Design Studies 創刊號上發表了一篇文章，標題是〈Design as a discipline〉。他在文中提出一個簡單卻根本的問題：如果我們說「The Three Rs」是教育的基礎——讀寫（literacy）、計算（numeracy）——那麼，做與造（wroughting and wrighting）去哪裡了？

Archer 的論點是，Science 與 Humanities 的二元分野，從一開始就遺漏了一個完整的知識領域。科學處理的是基於觀察與假設的理論知識，人文處理的是基於沉思與詮釋的意義知識，而這兩者之間，存在一塊「空地」（the vacant plot），是關於做與造的實踐知識，是以感知、發明、驗證與實施為核心。他稱之為 Design，並主張它應當與 Science 和 Humanities 並列，成為通識教育的第三個根本領域。

因此，我固然同意 Frey 提醒我們，在 AI 時代人不能放棄對目的、價值與好生活的追問，但我更想要強調 Archer 在五十年前的提醒：人也不能只停留在詮釋與批判，還必須具備介入世界、改造人工物與重組系統的能力。換句話說，真正不偏食的通識教育，不應只是「以人文對抗技術」，而應該讓學生同時能理解自然與技術條件、詮釋社會與文化意義，並透過設計實作把價值判斷轉化為可被測試、討論與修正的行動。

這也是我身為臺大創新領域學士學位學程（TBD）的教員，在推動這個學程時的基本立場。對我而言，TBD 不是在人文、社科、理工之間做拼貼，而是以 Design 作為第三種知識形式，讓學生在理解、判斷與實作之間建立連結。Design 在這裡不是美化或造型，而是一種面對不確定問題的認識與建構方法；Practice 不是課堂作業，而是透過田野、原型、測試與修正，把知識帶入真實情境；Social impact 也不是抽象理想，而是檢驗設計介入是否真的改變關係、制度、行為與生活條件。

誠然，這個跨領域學習過程在人看來不是平順的、有效率的，甚至會聽到周遭「哎呦，真是有餘裕啊」的嘲諷。但既然「學校」（school）的字源是古希臘文的「閒暇」（skholē），那麼我們的工作，不就應該是在面對內憂外患的危機中，撐出這樣一塊可以做、可以想、也可以重新判斷目的的空白之處嗎？

跨領域的觀星者：石井裕談未來願景與語言轉譯

2026-06-03T04:55:54.009+08:00

在當代人機互動與媒體藝術的發展史中，石井裕教授是一位很難被單一領域定義的關鍵人物。他的重要性不只在於提出了 Tangible Bits、Radical Atoms 等影響深遠的研究概念，也不只在於他長期任教於 MIT Media Lab，而在於他持續示範了一種「以願景推動研究」的方法：不是先問技術現在能做什麼，而是先問人類未來應該如何與資訊、物質、身體、記憶和時間重新建立關係。從可觸摸的數位資訊，到會變形的物質，再到與逝者記憶互動的 Teleabsence，石井裕的研究不斷把人機互動從「效率」與「介面」的問題，推向更深層的感知、存在與文化問題。也因此，他的工作不只是科技創新案例，更是一種跨越藝術、科學、技術與設計的思想實驗。

然而，比起單一作品，石井裕更重要的啟發或許在於他如何定義跨領域。他不太願意被稱為工程師、科學家、藝術家或設計師，因為這些分類都太快把人固定在既有專業邊界中。於是，他選擇稱自己為「觀星者」（Stargazer）。觀星者不是逃離現實的人，而是願意仰望遠方、設定長程願景，並且從更大的時間尺度理解研究意義的人。對他而言，好的研究不只是解決眼前問題，而是要創造能超越研究者自身壽命、離開原本的視角限制，從更遠、更高、更全觀的位置重新看待問題。因為，人若只站在地表，很容易受限於自己的位置、專業訓練與價值偏見。他舉例說，自己喜歡和朋友或學生一起去博物館，聽不同的人如何評論作品，這些評論不只是對藝術品的解讀，也透露了每個人的價值系統。換言之，跨領域不是把不同專業的人放在同一個房間，而是學會透過他人的眼睛重新理解世界。

石井裕強調，真正的跨領域轉譯，不是把工作切成幾塊，再交給不同專業的人分工完成。表面上，這似乎就是跨領域合作，藝術家負責概念、科學家負責理論、工程師負責實作、設計師負責介面，但在石井裕看來，這樣的分工仍然太淺。因為如果藝術家不理解技術實作中的限制，工程師無法進入藝術家的哲學與感性，科學家只看見可驗證的假設，設計師只處理使用者經驗，那麼各領域其實仍然在各說各話。合作發生了，但轉譯沒有真正發生。

所謂轉譯，並不是把某個領域的語彙翻成另一個領域的術語而已，而是讓一個願景在不同知識系統中重新獲得生命。藝術的語言關心的是感受、象徵、想像與存在經驗。它問的是：這件事如何觸動人？它揭示了什麼情感、記憶或哲學問題？科學的語言則要求分析、模型、證據與可解釋性。它問的是：這個現象如何被理解？背後有什麼機制？能否被觀察、測量或驗證？技術的語言面對的是材料、系統、限制、效能與可製作性。它問的是：這東西能不能做出來？需要什麼感測、運算、致動、結構與能源條件？設計的語言則把這些重新帶回人的經驗與情境。它問的是：人如何與它相遇？如何理解它、操作它、被它影響，甚至與它建立關係？

這不是要求每個人都成為四個領域的專家，而是要求主導願景的人不能只躲在自己的母語裡抱團取暖。而是必須能夠在不完全熟悉的語言中思考，理解他人的判準，也願意讓自己的願景被他人的語言改寫。如此，行動者之間螺旋式的持續對話，最後產生的作品，才不會只是藝術、科學、技術與設計的平均值，而是一種超越原有分類的新型態。

是以，一個觀星者在進行跨領域融合時，必須同時具備三組特質：

既具藝術性，又具分析性（be artistic and analytic）
既具詩意，又務實（be poetic and pragmatic）
既浪漫，又現實（be romantic and realistic）

咦，我們說到「現實」了嗎？

關於現實，石井教授幽默且務實地補充，對於那些獲得終身教職（tenure）或需要帶領團隊的人來說，這個轉譯的螺旋有時還需要加入另一個維度——商業與資金（Business / money）。因為要讓偉大的願景落地並持續發展，熟悉資金運作也是跨領域實踐中非常嚴肅且重要的一環呢。

偶然與突破：看曆本純一教授《最終講義》雜感

2026-06-01T06:36:42.665+08:00

暦本純一教授在東京大學資訊學環任教多年，同時長期在 Sony CSL 進行跨學科研究。他的最終講義〈Homo Cyberneticus：Human–AI Integrationの時代へ〉於 2026 年 2 月 28 日舉行，這場演講不只是退休前的回顧，而是從個人研究歷程出發，重新思考人、電腦、AI 之間關係的變化。看完後，最吸引我的不是某一項單一技術，而是他整個研究人生中反覆出現的「偶然」。這些偶然不是浪漫化的靈感故事，而是他如何在日常經驗、娛樂場景、失敗摩擦與跨領域接觸中，敏銳地抓住一個新的介面問題，並把它推進成真正的技術突破。

第一個偶然，是小學時參觀 1970 年大阪萬博。他在 IBM 展示區體驗到「光筆」，只要點擊螢幕，就能改變畫面上的漫畫劇情。這對當時的孩子來說，不只是看到一台新機器，而是第一次意識到電腦可以被「直接操作」，可以回應人的動作，也可以成為改變故事與世界的媒介。後來他從小學開始自學 Fortran，並逐漸把「介面」視為畢生志業。這個起點很有意思：他不是先被抽象的電腦科學吸引，而是先被一種具體的互動感打動。

第二個偶然，來自 NEC 時期面對真實業務系統的洗禮。暦本教授進入職場時，正值視窗系統與 GUI 的黎明期。他開發能讓程式設計師建立圖形介面的基礎系統，也嘗試類似今日 Google Docs 的多人同步編輯機制。但真正重要的，不只是他做了什麼功能，而是他在業務現場被使用者、客戶、Bug 回報與操作問題反覆修正。這讓他的 HCI 研究不是停留在「理想使用者」的想像中，而是很早就被迫面對：人機介面的問題，往往出現在真實情境裡那些不順、卡住、誤解與不耐煩的瞬間。

第三個偶然，發生在歌舞伎座。他使用耳機導覽時，突然意識到這介面不需要像滑鼠那樣主動操作，也不需要停下來查資料，知識會依照舞台上的情境，自動進入觀眾的理解之中。這個看似與電腦無關的劇場經驗，反而讓他重新思考介面的本質。好的介面不必永遠要求人下指令；它也可以像代理人一樣，理解情境、預判需求，並在適當時刻補上資訊。這個轉折後來成為他走向情境感知介面的重要基礎。

第四個偶然，是他在 Sony CSL 之後，把電腦從螢幕帶回真實空間。他開始研究行動裝置、彩色條碼、二維標記、3D 空間中的互動，讓實體環境可以被電腦辨識，也讓人不再只是透過滑鼠與桌面視窗操作資訊。早在 1990 年代，他就已經在討論如何讓電腦增強我們與真實世界的互動。UIST 1995 收錄的研究〈The World through the Computer〉，正是這條路線的代表之一。 

第五個偶然，則是特雷門琴。這種早期電子樂器靠手部接近改變電容來發聲，讓暦本教授注意到人的手勢其實可以不透過按鍵、不透過滑鼠，也能被系統感知。於是他開始用導電紙與微控制器實驗，最後發展出 SmartSkin。這套系統能感知表面上的多個觸控點，讓人用雙手直接操作互動表面。SmartSkin 論文說明，它是一種讓互動表面進行自由手勢操作的感測基礎設施；這也使後來我們熟悉的雙指縮放、平移等多點觸控手勢，有了很早期的技術雛形。 

如果說 SmartSkin 是讓手指更自然地進入電腦，那麼他近年的靜默語音研究，則是讓語言與意圖更自然地進入 AI。這項研究的起點同樣來自日常矛盾。語音輸入很有效率，但在電車、咖啡店、辦公室裡大聲對 AI 說話，既尷尬、干擾他人，也可能洩露隱私。更重要的是，許多發聲困難者本來就被主流語音介面排除。SottoVoce 專案利用超音波影像與深度學習，辨識無聲發話時口腔與舌頭的動作，進而實現靜默語音互動；該研究發表於 CHI 2019，並獲得 Honourable Mention。

從光筆、歌舞伎耳機導覽、特雷門琴，到靜默語音，暦本教授給我們的啟發是：技術突破不一定來自封閉實驗室裡的線性規劃，反而常常來自一個人是否能在偶然經驗中辨識出「尚未被命名的介面問題」。這些「偶然」之所以能成為突破，是因為他從不區分「這是我的研究領域」和「這跟我無關」，而是永遠在問：「這背後有什麼有趣的問題？」因為，介面不只是工具，而是新的社會關係。人如何與資訊互動？身體如何成為輸入方式？環境如何回應我們？AI 又如何在不打斷生活的情況下，延伸人的感知、表達與思考？

這場最終講義值得推薦給關心 HCI、AI、設計、STS 與未來人機關係的朋友，讓我們一起努力，把生活中的偶然經驗，轉化成重新理解人與世界的各種可能。

社會設計導論：More than YouBike

2025-12-31T14:24:00.017+08:00

2009年，YouBike 在台北市信義計畫區啟用。這套系統的設計意圖很清楚：解決「最後一哩路」問題，讓自行車成為公共運輸的延伸，推動綠色交通。十幾年後，YouBike 的確「成功」了，騎乘次數突破十億，站點遍布全台，成為城市基礎設施的一部分。

但正是這個「成功」，讓其他問題浮現。

當自行車從個人資產變成隨取隨用的服務， YouBike 改變了人們對「擁有自行車」的態度；當 YouBike 站點越來越密但土地空間仍舊稀缺，「誰的路權」成為騎士與路人的衝突焦點。當潮汐現象讓調度車疲於奔命，偏遠站點永遠借不到車，「最後一哩路」的問題並沒有真正被解決，只是被轉移到特定的時段與地點。當電動滑板車、共享機車的出現，「微移動」（micro-molitiy）的趨勢中 YouBike 不再是唯一的選項，它必須在新的競爭環境中重新定位自己。

這不是 YouBike 獨有的困境，而是所有設計的結構性處境。

因為，設計不是發生在真空中。

當設計介入社會，社會也會回過頭來介入設計。你以為你在改變系統，但系統也在改變你的作品的意義。設計師帶著特定的知識與意圖進場，關於交通、關於永續、關於城市生活。但這些知識一旦透過設計進入社會，就開始被既有的力量吸收、挪用、重新詮釋。設計行動改變了問題的樣貌，而問題的改變又讓設計師發現：他原本以為在處理的事情，跟他想的不一樣了。

這就是為什麼社會設計需要反身性（reflexivity）。

反身性不只是「設計師要反省自己」這種道德呼籲，而是對設計與社會之間相互構成關係的認識。Latour 認為，當代的設計不再是普羅米修斯式的創造——從無到有、賦予世界新的形式。設計師進入的是一個已經充滿行動者的網絡：人、物、制度、規範、既有的權力關係。設計不是單向地施加意圖，而是在這個網絡中協商、被回應、被抵抗、被改造。

他稱這種新的設計姿態為「謹慎的普羅米修斯」（a cautious Prometheus）：設計師必須意識到，自己的介入會引發連鎖反應，而這些反應往往超出預期。設計行動會改變問題的樣貌，而問題的改變又讓設計師發現：他原本以為在處理的事情，跟他想的不一樣了。

因為，設計即社會構成（design as collective world-making）。設計不只是「為社會設計」（design for society），也不只是「與社會共同設計」（design with society），設計本身就是一個社會過程——透過社會而設計（design through society）。設計者不是外部解決問題的專家，而是身處於系統之中、必須不斷意識到自己介入方式與權力位置的行動者。

是以，這門課的任務，就是練習帶著這種反身性意識來設計。

主題一，「設計x社會」。我們將以物件為起點，討論如何理解物件的社會意義？設計師與使用者之間的緊張關係？設計師與系統之間的辯證？我們希望能在這階段讓同學在個人、物件、社會、環境之間能建立一個社會技術的系統性思考方式。
主題二，「設計反思」。常見對設計的社會學式批判總是從消費與勞動入手，但其實設計領域的自我批判可一點都沒少過，並且以此發展不同的設計方法。我們將討論其中幾個關鍵的設計反思，包括：永續設計、協同設計、社區設計、服務設計等，並且搭配相關研究、個案分析將設計方法與STS研究連結在一起。
主題三，「社計方法」。從主題三開始的最後一個月是我們的密集工作。這學期課程，我們會發起一個名為 #hackubike 為設計挑戰，以YouBike 系統為起點，順著設計流程，從問題界定、技術創新、組織人群，循序漸進地反思自行車在日常生活中的角色，並討論設計提案內在的政治張力、行動兩難，我們又如何在再設計（re-design）的過程中，思考另一種生活方式的可能？

之所以選擇YouBike，不單是因為這是個成功的設計案例，更是因為它不只是一套公共自行車系統。Youbike改變了人們騎車的理由、改變了自行車與大眾運輸的關係、改變了城市對自行車道的想像、甚至改變了人們對「擁有一台自行車」這件事的態度。換句話說，YouBike 已經重新設計了城市裡的自行車世界。而這個被重新設計的世界，就是我們的再設計場域。

More-than-YouBike 意味著：我們從 YouBike 出發，但不只看 YouBike。我們看的是它進入之後，整個都市生活發生了什麼變化——騎車的人、不騎車的人、道路、政策、產業、文化，以及那些還沒被打開的可能性。

[課程進度]

2/24：課程說明

主題一：設計x社會

3/3：物件的意義

Molotch, H. (2018). 《東西的誕生》，第一章。商周出版。
Latour, B. (2005). "From Realpolitik to Dingpolitik." In B. Latour & P. Weibel (Eds.), Making Things Public: Atmospheres of Democracy (pp. 14-41). MIT Press.（選讀）

3/10：設計師與使用者

吳嘉苓（2015）。〈永久屋前搭涼棚：災後家屋重建的建築設計與社會改造〉。《科技、醫療與社會》，第20期，頁09-74。
Norman, D.（2024）。《設計，讓世界變更好》（陳宜秀譯）。台北：遠流。（選讀）

3/17：設計與系統

Lurås, S. (2016). "Systems Intertwined: A Systemic View on the Design Situation." Design Issues 32(3): 30-41.
鄭陸霖，2013，〈「陰柔專業性」的可能與弔詭：日本女性室內設計專業的歷史制度形成〉，《社會分析》第6期，頁1~72。

3/24：外部演講（一）：YouBike

主題二：設計反思

3/31：綠色設計

Papanek, V.（2013）。《為真實世界設計：人類生態與社會變遷》，五南出版。第四、十章。

4/7：參與設計（社區設計＋協同設計）

Andersen, L.B. et al. (2015). "Participation as a Matter of Concern in Participatory Design." CoDesign 11(3-4): 250-261.
Zamenopoulos, T. and Alexiou, K. (2018). Co-design As Collaborative Research. Connected Communities Foundation Series. Bristol: Bristol University/AHRC Connected Communities Programme.

4/14：服務設計

Penin, L. (2018). An Introduction to Service Design, Chapter 1-2.
Sangiorgi, D. (2011). "Transformative Services and Transformation Design." International Journal of Design 5(2): 29-40.（選讀）

4/21：外部演講（二）：批判設計

主題三：社計方法

4/28：小組活動（二）：環境觀察

5/5：Mapping the Existing World

Venturini, T. (2010). "Diving in Magma: How to Explore Controversies with Actor-Network Theory." Public Understanding of Science 19(3): 258-273.

5/12：Locating Leverage Points

Irwin, T., Tonkinwise, C., & Kossoff, G. (2021). "Transition Design: The importance of everyday life and lifestyles as a leverage point for sustainability transitions." Cuadernos del Centro de Estudios de Diseño y Comunicación, (105), 67–94.

5/19：小組活動（三）：設計提案

5/26：Prototyping as World-Making

Hunt, J. (2011). "Prototyping the Social: Temporality and Speculative Futures at the Intersection of Design and Culture." In A. J. Clarke (Ed.), Design Anthropology: Object Culture in the 21st Century (pp. 33-44). Springer.

6/2：小組活動（四）：原型製作

6/9：期末報告

從焦慮到節奏：專題實作中的研究定位與語言轉譯

2025-10-11T13:22:00.039+08:00

在台灣大學創新領域學士學位學程的學習過程中，專題實作這門課是重中之重，也是學程架構的核心。但修課學生最常說的兩句話是：「我不知道怎麼做研究」跟「我不知道為什麼要做研究」。前者是一種方法論的不確定感——面對不同領域的知識、資料跟方法，學生不知道怎麼收斂；後者則是一種目的性的動機困境——覺得研究太慢、太抽象，想跳過理論直接動手做。

作為一個跨領域學士學位學程， TBD 的學生來自不同學科背景，這讓研究焦慮變得更複雜也更具代表性。這兩種焦慮的核心，都是學生還沒找到研究對自己的意義：當研究既不是他們熟悉的學科訓練，也不是馬上看得見成果的行動工具時，焦慮就成了自然反應。

本文會先分析這兩種焦慮的理論基礎跟實證研究，接著討論如何透過「互動社群選擇」來建立研究的定位框架，再探討生成式 AI 作為師生互動的可能性，最後提出「節奏化學習」的教學設計。本文主張，研究焦慮如果能被好好轉化，可以成為推動學習的動能，而不是學習的障礙。

兩種研究焦慮：不確定感與動機困境

學生在研究初期面對的焦慮，可以分成兩種相關但性質不同的類型：方法論的不確定感跟目的性的動機困境。前者是關於「能力」——我做得到嗎？後者是關於「意義」——我為什麼要做？這兩種焦慮就像一枚硬幣的兩面，共同構成學生逃避研究的心理機制。

方法論的不確定感：「不知道怎麼做研究」

國際教育研究普遍發現，大學生在研究初期會有明顯的不確定感。Cooper 跟 Haney（2023）針對美國大學生的研究發現，研究焦慮（research anxiety）主要來自三個原因：準備不足、方法陌生、缺乏明確方向。這種焦慮跟學生未來願不願意從事研究性工作有顯著的負相關，顯示焦慮不只影響當下的學習，還可能限制長期的職涯發展。美國加州大學戴維斯分校教育效能中心的調查更具體地顯示，超過 75% 的學生在圖書館做研究時會焦慮，其中 62.5% 的學生不確定該怎麼搜尋或評估資料來源。這種「資訊檢索焦慮」讓學生傾向逃避研究工作，形成惡性循環。Hill 等人（2022）的長期研究則指出，研究經驗次數跟自我效能有正相關：參加過兩次以上研究的學生，研究信心跟興趣明顯比研究經驗少的學生高。這告訴我們，要緩解焦慮需要透過有結構的反覆練習，而不是靠單次的成功經驗。

在華語教育環境中，現象類似但更隱蔽。徐鏞元（2018）指出，很多學生「不知道怎麼開始研究」，缺乏問題意識跟資料處理能力，常常在專題初期就卡住。中國《高教論壇》（2021）的調查則發現，大學生普遍覺得自己研究能力不足，對參與研究意願不高，就算參加也多半停留在執行層面，缺乏主導性。

這些研究共同指出，方法論的不確定感不是態度問題，而是結構性的支援不足。畢竟，當學生不確定什麼才算「有效的研究」、什麼是「夠好的文獻」、什麼樣的方法「適合我的題目」時，他們就很難踏出第一步。

目的性的動機困境：「不知道為什麼要做研究」

如果說方法論的不確定感是「不知道怎麼做」，那目的性的動機困境就是「不知道為什麼做」。對實作導向的學生來說，研究常被視為「不必要的繞路」。Mauldin（2025）在社會工作領域的研究中發現，學生傾向認為研究對未來工作沒用，所以投入意願低。這種「研究沒用」的信念甚至變成自我實現的預言：覺得研究無聊 → 不投入 → 沒成就感 → 更覺得研究沒用。在台灣的實作型課程中，也能看到類似現象。我們時常在教育現場看到，學生習慣靠網路影片或教學平台完成作品，而不查學術資料，導致專題作品很淺，缺乏反思深度。甚至，只有少數的大學生想當學術研究者，多數人傾向「直接進業界」，覺得能「看到成果」比較有成就感。

在台灣的大學教育體系中，「研究方法」多被視為理論訓練，而「專題實作」則被歸為成果導向課程。過去十年教育部推動多項創新教學計畫（如USR、U-Start、跨院學程），強調跨域與實作，但卻鮮少將「研究設計」視為學習中介層。根據《教育實踐與研究》、《教育學報》近年專題的多篇研究論文所示，雖然學生在實作成果上展現創意與協作能力，卻仍缺乏研究設計與方法訓練的系統支持。

但是，「研究」跟「實作」真的對立嗎？其實，學術研究的訓練其實就是創業跟實務管理的核心能力——包括分析問題、蒐集資料、推進計畫跟邏輯推理。研究能力不是「學術專屬」，而是所有知識工作者的基本功。

因此，問題的關鍵在於研究語言跟實作語言的轉譯失敗。當研究被說成「文獻回顧」、「研究設計」、「資料分析」時，實作導向的學生很難連結到自己的專題。但如果把同樣的過程轉譯成「理解問題脈絡」、「規劃行動方案」、「驗證設計假設」，學生就能理解研究的實務價值。

兩種焦慮的交互作用

需要注意的是，這兩種焦慮不是各自獨立，而是會互相加強：

當學生不知道怎麼做研究時，容易產生挫折感，進而質疑「研究有什麼用」;
當學生不知道為什麼要做研究時，就缺乏動力去克服方法上的困難，更容易放棄。

這種惡性循環需要同時打破。只教研究方法，無法解決動機問題；只強調研究重要性，也無法解決能力問題。真正有效的教學設計，必須在提供結構化支援的同時，幫助學生理解研究對自己的意義。

定位你的互動社群：研究設計 vs. 設計研究

因此，我會認為，要在 TBD 專題課程中處理這兩種焦慮，關鍵不是教學生「更多研究方法」，而是幫他們選對起點。也就是說，學生首先要釐清自己的主要互動對象是誰？

研究社群（Research Community）：需要用證據、方法、分析邏輯說服別人；
實踐社群（Practice Community）：需要用設計、原型、使用情境展示可行性。

畢竟，一樣是「研究」，前者需要的是「研究設計（Research Design）」，後者需要的則是「設計研究（Design Research）」。

一般來說，「研究設計」強調以證據支撐推論的結構性思考。Creswell（2014）指出，研究設計的核心在於「如何將研究問題、理論架構、資料蒐集與分析方法整合成一個連貫的邏輯過程」，其目的在於回答「Why is this so?」。Robert Yin（2018）則從案例研究的角度提出，「研究設計是一個連結研究問題與證據的邏輯藍圖」，而不是單純的技術步驟。Patton（2015）進一步強調，研究設計是一種「有目的的取樣與詮釋策略」，研究者的任務是建立信度與效度，使論證具備可重現與可評估的基礎。在跨領域研究的脈絡中，這種「研究設計」導向的焦慮常表現在學生面對資料時的不安：他們知道問題在哪裡，但不知道如何以系統化的方式建構論述與驗證假設。因此，他們傾向收集大量資料、閱讀過多文獻，卻缺乏整合與篩選的結構。這正是「不知道怎麼做研究」的根源。

相對地，「設計研究」則從行動與創造的角度生成知識。Donald Schön（1983）在《The Reflective Practitioner》這本經典著作中，區分了兩種專業知識的產生方式：一種是「技術理性」，靠理論跟證據說服；另一種是「反思行動」，靠行動經驗跟判斷。他指出在設計領域中，「邊做邊想」本身就是一種產生知識的方式。你做出一個原型、測試它、觀察反應、修改設計，這整個過程就是在產生知識。Nigel Cross（2001）提出「設計型知識（Designerly Ways of Knowing）」，主張設計是一種獨立於科學與藝術的知識生產模式，在設計中所做出來的「原型」跟設計者設想的「使用情境」本身就是知識載體——它們不只展示結果，也展示設計者的推理過程。這就是他說的「設計型證據」。Zimmerman、Forlizzi 與 Evenson（2007）則在「Research through Design (RtD)」框架中指出，設計研究的貢獻在於創造可被他人理解與再利用的設計經驗與框架，而非驗證假說。Gaver（2012）直白地說：設計研究不需要像科學研究那樣驗證假設，而是要提供有啟發性的材料跟思考空間。所以設計研究的「證據」常常是故事、影片、情境重演，甚至是「挑釁」，目的是讓人思考「還可以怎麼做」，而不是證明「這樣做是對的」。

因此，「研究設計」與「設計研究」的差異不在「方法」或「領域」，而在「證據的形式（form of evidence）」——也就是什麼樣的東西能構成「說服」的基礎。簡單來說:

研究設計追求的是「可驗證跟可重現」：別人用同樣的方法應該得到類似的結果，像是科學實驗那樣。
設計研究強調的是「可用跟可採納」：解決方案在真實情境中是否有效、是否被接受，像是產品測試那樣。

舉個例子：如果你想研究「為什麼年輕人不投票」，你可能需要問卷、訪談、統計分析——這是研究設計。但如果你想設計「讓年輕人更願意投票的方式」，你需要的是原型、使用測試、迭代改進——這是設計研究。

這個差異看似簡單，但對正在做專題的學生來說卻至關重要。因為你的對話對象決定了你的證據形式。當學生搞不清楚自己到底要說服誰，他們就會陷入困境：想做實作的覺得「研究根本沒用」，想做研究的又「不知道要做到什麼程度」。但其實兩者都需要研究，只是研究的方式不同——前者要的是「做功課」(了解別人怎麼做、為什麼有效)，後者要的是「建立論證」(為什麼這個解釋比較可信)。

要緩解這種焦慮，關鍵是讓學生理解：不是選擇「要不要做研究」，而是選擇「做哪一種研究」，並且在專題實作的初期就做出定位——知道自己站在哪個位置、該用什麼語言跟誰對話——焦慮就能被放進合理的結構裡。簡單地說：

如果主要跟研究社群對話（例如要投稿研討會、申請國科會大專學生研究計畫)，那「研究設計」會是關鍵。
如果主要跟實作社群對話（例如想改善社區問題、測試產品概念、驗證溝通策略），則「設計研究」會是重點。

當然，設計研究與研究設計不是二分的，兩者的過程其實可以互補。設計研究可以生成經驗性資料，回饋給研究設計。研究設計更可以提供理論支撐，讓設計研究更有說服力。而我們可以更進一步針對學生的不同需求提供不同的引導工具。

例如，對於研究社群導向的學生，我們可以請他們畫一張「研究定位圖」：

核心問題（Core Question）：你真正想回答的問題
支援性議題（Supporting Issues）：不同領域教授提供的視角或技術
外圈關注（Peripheral Noise）：有趣但暫時不處理的議題

這樣能幫助他們看見「文獻不是要全部讀完，而是要找到自己的位置」。

對於實踐社群導向的學生，我們或許可以採用「三格法」:

看別人怎麼做：相關案例的做法？
為什麼成功或失敗：關鍵因素是什麼？
我怎麼開始：我可以採用或改進什麼？

這把研究轉化為行動前的判斷練習，讓「查資料」變成「做功課」。

這些方法的目的不是降低難度，而是讓焦慮轉化為有節奏的學習循環。當學生知道自己在對誰說話、用什麼形式呈現證據時，「不知道怎麼做」的不確定感就有了方向；當他們理解研究就是「做功課」而不是「寫論文」時，「不知道為什麼做」的動機困境就有了答案。

然而，即使有了這個定位框架，學生在執行過程中仍會遇到具體的困難：資料太多、不知道重點、不確定自己寫得好不好。這正是生成式 AI 可以介入的空間。

AI × Notion：作為「轉譯助教」的共學設計

隨著生成式 AI 的普及，教育界開始探索 AI 怎麼成為學習的鷹架。在 TBD 專題課程中，我們嘗試以 Notion 為教學共構平台，重新設計研究與實作之間的對話節奏。AI 的角色在這門課中被定義為「轉譯助教（translation copilot）」，幫助師生在不同知識語言之間進行結構化、翻譯與反思。

這樣的設計讓 AI 不再只是工具，而是一種教學節奏的媒介，使學生與教師都能在共享資料與可追蹤的歷程中持續學習。根據 Vygotsky 的「近側發展區」（ZPD）理論，AI 可以提供差異化的鷹架，幫學生從「能力範圍外」慢慢移動到「能力範圍內」。

整體設計：以 Notion 為共構基礎

首先，我們會開設一個 Notion teamspace，將所有修習專題課的學生納入其中，並根據他們的專題類型與所需協助類別進行分組。每位學生都需建立一個「個人專題頁面」，持續記錄自己的專題發展歷程，包括研究問題、資料整理、進度摘要與反思紀錄。

在六次小組課的進程中，我會循序設計作業任務——例如從「問題定義」到「資料蒐集」、「構想測試」、「反思與修正」——學生需在每次課前完成該階段任務，並上傳至個人頁面。這使每位學生的研究歷程都能被可視化與追蹤，同時也讓教師能在課堂上依據這些紀錄進行對話與指導。

這個設計回應了 Hill 等人（2022）的發現：研究焦慮的緩解需要透過結構化的反覆練習。Notion 提供的不只是記錄平台,而是一個讓「學習歷程可見」的空間。

學生端：AI 協助資料轉譯與結構化→ 回應「不知道怎麼做」的不確定感

學生在撰寫作業或整理資料時，可以選擇使用生成式 AI。AI 並非幫他們「生成內容」，而是作為資料整合與概念化的助手：

協助將田野筆記或訪談摘要分類為「核心觀察」、「延伸問題」、「資料需求」
將收集到的文獻或案例轉化為表格，對照「他人怎麼做/為何成功或失敗/我可以測試什麼」
協助整理混亂的文本，讓學生能在課堂上更快地聚焦討論

這樣的 AI 使用被視為「轉譯行動（acts of translation）」：它幫助學生把模糊或碎片化的思考轉成可操作的材料。學生仍需親自選擇、修訂與標註來源，確保 AI 的協助是形成性（formative）而非替代性（substitutive）。

這樣的設計呼應了 Martin（2025）提出的「減負教學」模式，也就是AI 減少學生在重複性任務上的認知負擔，讓他們把心力放在更高層次的思考與判斷。當學生面對一篇艱澀的文獻時，AI 可以幫忙拆解結構、提取重點，讓學生能「站在巨人的肩膀上」閱讀，而不是被巨人壓倒。

教師端：AI 介入教師的教學回饋流程→ 回應教師的「如何給出有效回饋」挑戰

在教師端，我運用 ChatGPT 與 Notion 的串連功能，建立一個輔助討論工作流。AI 可以存取學生的專題頁面與我的教學資料庫，並與我一起檢視學生的研究進展，協助進行討論與反思。具體操作如下：

教師預覽與歸納：AI 先根據學生頁面內容，歸納其研究方向、卡點與資料使用情況，生成摘要報告。
問題共構：我再與 AI 對話，討論學生遇到的挑戰，並詢問 AI 有無相關理論、案例或資料來源可參考。
回饋生成：AI 根據對話內容提供初步建議，我再進一步審查與補充，以形成具針對性的回饋。

這樣的工作流使 AI 成為教師的助理型共備者（co-facilitator），而非批改工具。透過 Notion 的資料庫與對話紀錄，ChatGPT 能理解整體課程設計、學生特性與進度，並結合即時網路資料，生成具脈絡性的建議。這個設計也回應了 Steiss 等人（2024）的研究發現，AI 在形成性回饋上的表現，在具體性與一致性上不輸給人類助教。但關鍵在於，AI 的回饋必須經過教師的審查與補充，才能真正符合學生的需求。

師生端：Notion 作為共學平台的討論節奏→ 回應「不知道做得好不好」與「研究有什麼用」的雙重焦慮

總而言之，在專題實作這門課上，Notion 扮演的是共學平台（collaborative learning hub）的角色。我們將討論流程分為三個階段：

課前（Pre-discussion）：學生依據統一的作業任務與問題，完成該階段的工作進度，並上傳至 Notion 個人頁面。在這個過程中，學生可以選擇使用 AI 協助整理資料、結構化思考，但作業格式與問題是一致的，確保分組課討論時有共同的對話基礎。
課中（In-class reflection）：教師帶領小組進行討論，學生同步於 Notion 上紀錄對話內容，標註「研究假設」、「行動假設」、「資料需求」。這讓抽象的討論變成可追蹤的學習痕跡。在討論過程中，教師會引導學生思考：這個發現對「研究社群」來說是什麼？對「實踐社群」來說又是什麼？讓學生在實際對話中練習語言轉譯。
課後（Post-discussion reflection）： AI 協助整理討論摘要，學生再依 Kolb 循環（經驗→反思→概念→行動）撰寫反思。學生需要回答：這次討論讓我理解了什麼？下一步要做什麼？

整個討論歷程在 Notion 中留下可追蹤的學習痕跡，使焦慮與不確定感得以外化、被看見、再被轉化為具體行動。這個設計呼應了 Schön 的反思實踐理論:真正的專業成長發生在「行動中的反思」。而根據 Jisc（2024-2025）對英國大專院校的追蹤研究，學生最期待 AI 能協助他們把學術內容轉譯成實作語言。我們的課堂討論設計正是回應這個需求，試圖透過師生對話，讓學生理解「研究不是實作的對立面，而是實作的基礎」。Wang 等人（2025）的整合分析更指出，AI 介入對學習表現、學習情緒與高層次思考都有正面影響，尤其對初學者與沒信心的學生效果最明顯。但關鍵在於 AI 的角色定位。它不是替代教師或學生的思考，而是成為師生之間、學生與知識之間的翻譯介面。而在我們的設計中：

學生的焦慮被轉化為可觀察、可追蹤的研究歷程
教師的引導轉化為共構式回饋
AI 的角色則是協助雙方在語言與資料之間建立橋樑

結語：讓焦慮成為節奏，而不是障礙

綜合國內外研究與 TBD 的教學實踐，學生的研究焦慮不是單純的心理問題，而是來自結構性支援不足跟語言轉譯失效的雙重困境。當課程缺乏清楚的研究鷹架，方法論的不確定感會變成逃避行為；當研究語言無法轉譯成行動語言，目的性的動機困境又會變成「研究沒用」的信念。

因此，本文提出的解決方案包含兩個層次：

第一層：定位互動社群。透過「研究社群 vs. 實踐社群」的框架，幫助學生在課程初期就釐清自己的對話對象，理解「證據形式」的差異。這個定位能讓焦慮被框進合理的結構，從「不知道怎麼做」變成「知道該用什麼方式做」。

第二層：AI × Notion 共學系統。生成式 AI 如果被好好設計成「轉譯助教」，配合 Notion 作為共構平台，可以同時緩解兩種焦慮，並幫學生結構化思考、提供形成性回饋、橋接不同語言系統，並培養反思性的使用倫理。讓研究重新具備可感知性、實用性跟持續性。

關鍵在於，面對教學現場的挑戰，我們不應該簡單地想用科技解決問題，而是應該回到教學設計的初衷，重新設計學習節奏。以TBD的專題實作為例，AI 不是為了加速研究，而是讓學習歷程可見、可追蹤、可反思。學生的焦慮被外化成 Notion 頁面上的文字、教師的引導轉化為共構式回饋、AI 的角色則是協助雙方在語言與資料之間建立橋樑。

在這樣的設計下，「研究」不再是學期初讓人害怕的任務，而是一種有節奏的學習循環。焦慮沒有消失，但它被納入節奏中，成為推動學習前進的引擎。正如 Dewey 的經驗學習理論所說，真正的學習發生在「困惑」跟「頓悟」的交替中。當學生學會跟焦慮共處，把不確定感轉化為探索動能，把動機困境轉化為意義追尋，研究就不再是外在的要求，而是內在的需要。而這或許才是跨領域專題課程最深層的教育價值：不是教學生怎麼避免焦慮，而是教他們怎麼在焦慮中學習，在學習中成長，在成長中理解研究的意義。

氣候變遷下的棒球逆轉勝：從口號到行動的關鍵時刻

2025-07-19T15:24:00.030+08:00

開場：當口號變成生存條件

十幾年前，環保行動者在開球儀式拉起「沒有地球，沒有棒球」的布條。彼時多數人把它當成一段熱血儀式——拍照發布後便被新賽況淹沒，如同許多被遺忘的標語一般。今年5月9日，當趙家緯在台大創新設計學院 sp0rtz 研究團隊主辦的「Play ball!! 溝通淨零。運動先行」圓桌論壇上重新請出這句話時，語氣裡已不見口號式的昂揚，而是一種冷靜的條件判斷：如果氣候系統持續升溫、極端事件頻度持續攀升，我們熟悉的賽事節奏——固定開賽時段、規律輪值、草皮恢復週期、觀眾舒適窗口——都將被慢慢侵蝕，直至面目全非。

認識趙家緯的人都知道，他是環境圈裡的運動咖：白天參與總統府層級的氣候議題諮詢，是政策倡議的前線戰將；夜晚則化身熱衷討論戰術與裁判好球帶的資深球迷。正是這種雙重身份，讓他能夠用棒球迷熟悉的語言，將抽象的氣候風險轉譯成可被感知的日常威脅。（演講簡報）

棒球隱喻的力量與界線

趙家緯所任職的 TCAN 台灣氣候行動網絡，是由多個本土環保團體組成的倡議平台，專注於氣候政策與制度介入，以高排放企業碳費、再生能源推廣為主戰線。全台280家主要排放企業的碳費路徑設計、最高碳費上限錨定，以及新建大型建物（未來球場亦在列）強制裝設太陽能板的規範推進——這些看似技術性的政策工具，都需要透過「地方政府」這個變壓器來轉化。

畢竟，中央制定的淨零政策若缺乏地方政府在循環經濟、能源管理與公共參與上的微調與示範，就難以產生真實的行為改變。從這個角度來看，棒球場不再只是單純的娛樂設施，而是能源、交通、材料、廢棄物等部門政策交錯的縮影節點。

有趣的是，在總統主持的氣候變遷對策會議上，棒球語言頻繁出現：午後二軍比賽在高溫下的「煎熬」成為極端熱浪對勞動條件衝擊的具象說明；節能討論被翻譯成「更換燈管、冷氣多久回本」的投資報酬分析；「12強奪冠靠緊密數據分析」則被平行引用到減碳決策必須建立在完整資料基礎之上。趙家緯一方面肯定這位全台最有政治權力的球迷對棒球語言的運用，另一方面卻立即提出質疑：若分析層次仍停留在類似傳統ERA、打擊率的表層指標，而未升級到整合型的系統性評估，隱喻的效力將迅速耗盡。大量借喻本身既具有滲透力，也蘊含論述風險；要將其轉化為制度性推力，必須有後端的方法論與迭代機制作為支撐。

氣候衝擊下的棒球：比分如何被逐漸拉開

讓我們把氣候變遷對棒球的衝擊，想像成一場分差逐漸拉大的比賽。

一開始，沒有人覺得局勢失控。只是多了幾場午後悶熱、偶發的場地更換、零星的延賽，就像對手敲了一支平飛安打——記分板閃動一下，很快又回到例行節奏。然而，補賽開始在行程表上堆積如山。輪值的緩衝日被逐一吞噬，牛棚被迫多承擔幾個計劃外的局數。疲勞以球速微降、控球漂移的方式累積，戰術彈性開始出現破綻。

緊接著，熱浪將裂縫撕得更大。捕手與本壘裁判在厚重護具內長時間蹲站，專注力耗損曲線變陡，邊角球的判決開始晃動；單場或許只是幾顆爭議球，但季末累積起來就是不可見的勝差流失。高溫加上連續工時讓球員情緒更加脆弱，觸身球或口角更容易升溫為衝突。隨著高溫環境下好球帶的不穩定與誤判率攀升，人們開始認真討論：「是否應該加速導入機器人裁判來維持賽事公平？」

與此同時，氣溫升高使得球的飛行距離增加一兩英尺，長打與全壘打機率的微幅上揚被數據分析師精準捕捉。但白蠟木生長的氣候帶面臨病蟲害擴散風險，球棒材料的供應穩定性與均質性失去過往的確定感。草皮管理也不再是「天然vs人工誰比較省錢」的簡單選擇，而必須將耐熱性、極端降雨恢復速度與生命週期排放一併納入評估。新建兩萬人級場館的一次性隱含碳排放估計可達27萬噸CO₂e，因此延壽翻新成為碳管理時代的新敘事主軸。

在觀眾層面，熱浪與賽程更動侵蝕了看球的儀式感，親子觀眾與遠道而來的球迷參與成本上升。剩食與一次性包材的處理方式未能升級，導致資源浪費的情況屢見不鮮。而球迷高度依賴自駕的通勤模式將持續放大碳排數值（以坦帕灣光芒隊 2019 年例行賽公開盤查為例，其碳足跡約 3.59 萬噸 CO₂e，其中球迷交通約占七成（最大來源））。此外，若球團的贊助商多屬高碳排企業，再多環保宣言也會被質疑為漂綠行為，形成綠色敘事與實質減量之間的嚴重落差。

因此，這個過程可以歸納為兩條主軸：

第一條軸線：極端天氣→延賽增加→輪值壓縮→牛棚過度使用→高溫環境下裁判與捕手表現不穩→機器人裁判討論升溫。
第二條軸線：草皮耐久性、球棒材料風險、球迷通勤排放、場館建設與延壽的碳足跡、餐飲廢棄物處理等議題，目前仍分散在不同部門的零散統計中。

趙家緯認為，現階段最缺乏的是一套將上述績效與風險指標並列的公開總表，導致行動者在缺乏量化比較基準的情況下，優先順序多半仍依賴經驗與主觀判斷。

MLB的應對策略：制度化的反擊

面對「氣候逐漸拉開比分」的現實，美國職棒大聯盟採取的第一步並非響亮的口號，而是將零散的自發行動制度化。於 2024 年啟動與 WM 的多年期官方永續合作，為全聯盟提供標準化的減廢與環境績效諮詢與數據蒐集平台，象徵永續管理由各隊零散作法進入聯盟層級制度化。

隨後，聯盟將原本難以被媒體報導的後台改善轉化為可比較的獎項與榜單，減廢、節能、節水與創新實務轉化為年度獎項（Green Glove、Power Pitch、H2O Home Run、Eco-Slugger），讓環境績效成為可比較的「第二組記分欄」，讓缺席者顯得明顯落後。

在賽程規劃方面，源自疫情期間的「意外壓縮實驗」，MLB 在 2020–2021 年一度將每場航空旅運排放降低約兩成（~22%），聯盟逐步增加同城或鄰近城市的連續系列戰，減少跨州穿梭；球隊移動不再只是體能與成本考量，而被重新定義為降低排放的第一層槓桿。LED照明、場內直飲水設施、資源回收與剩食再分配流程被描繪為「基本配備」，營造出一種氛圍：還沒做到的不是「別樹一格」，而是「跟不上時代」。

球團層級則將聯盟框架具體化。行程主管在聯盟原則下微調客場動線，避開「一天飛一城」的鋸齒式移動。營運與工程團隊重新包裝老球場改造，持續翻修與功能升級被陳述為避免新建時釋放巨量隱含碳的策略，而非「設施落後該拆除」的負面標籤。設備升級刻意強調「節能不等於體驗打折」——LED燈具一方面降低耗電，一方面支援更精細的燈光秀編程，消解球迷將永續與降規格劃等號的心理阻抗。在交通層面，球場外圍增設電動車充電樁、共乘與大眾運輸優惠，嘗試將原本被視為「球迷私人選擇」的通勤行為納入管理視野。餐飲端也開始調整，處理剩食的方式由「散場大拍賣」轉為常態化回收分配流程，同時為未來可能的食物里程透明化奠定數據基礎。

球員層級的行動往往從看似瑣碎的生活細節開始：自備水瓶、減塑、飲食調整，先在休息室建立可模仿的腳本，再將其帶到媒體訪談中。部分投手或野手將「每勝」、「每救援」與植樹捐款綁定，將賽季勝場轉化為清楚易懂的環境產出。更值得注意的是Brent Suter——這位大聯盟知名的氣候行動者，透過個人低碳習慣、#StrikeOutWaste 減塑倡議、以球隊勝場與植樹捐贈掛鉤（單季累計至千餘或數千棵）、推動球場塑膠杯回收再製與旅行排放抵銷機制，並延伸至政策與供應端議題，使「球員個人行為 → 組織流程 → 公共倡議」出現可複製鏈條。

換句話說，聯盟提供規則與比較框架，球團在場館與營運環節進行工程化落實，球員則提供情感張力與敘事入口；三個層級若能匯流成透明指標，就不只是「做了幾件好事」的公關剪輯，而是真正的追分戰術板。

然而，趙家緯也坦承，台灣的氣候政策議題往往被過度政治化，使得球員難以公開發聲支持重要的公共政策改革，像Suter那樣倡議環境正義、推動組織變革的例子在台灣較難出現。

逆轉勝的戰術藍圖：三層並進的系統性反攻

此刻，台灣職棒正站在比分落後的七局下半。我們有地球日活動、永續主題趴、循環杯推廣、垃圾分類宣導，但我們需要更具策略性的戰術組合，才能推動體制轉型，完成真正的逆轉勝。且讓我們以趙家緯的演講為基礎，暢想可能的戰術。

球迷層：讓數據成為行為改變的動力

碳排放盤查顯示「球迷移動」在總排放中占比極高，卻少有透明呈現。因此第一個可能行動是每場比賽（或每個系列賽）公布低碳通勤占比與循環容器回收率，讓觀眾清楚自己在整體表現中的位置；接著追蹤整季的「占比提升趨勢」而非僅宣導絕對數量。當環境指標成為觀賽體驗的一部分，行為調整才具備自我強化的迴路。

球員/球團/聯盟層：分階段複製成功經驗

Brent Suter的行動鏈條（個人減碳→勝場綁定→組織化→外部倡議）在台灣可以分階段複製：短期推動「勝場綁定具體環境行動」的個人承諾；中期在隊內設立精簡的永續聯絡人（1-2人負責整理需求與回饋）；長期再觸及贊助商與供應鏈的審視。聯盟層面可以增加一個關鍵動作：統一盤查邊界設定（特別是是否納入球迷移動與建築隱含碳），避免各隊指標失去可比性；並在地球日之外設定季中、季末的固定「環境成績單」發布時程。球團則可選擇兩個最容易下降的指標先行公開（如低碳通勤占比、每場用電強度），建立早期信任感，再逐步擴展到草皮維護與剩食處理等領域。

政府層：從宣導轉向制度設計

在碳費與再生能源義務即將落地的關鍵節點，主管機關最有價值的貢獻不是再多一份宣導手冊，而是發布「大型運動場館環境績效揭露標準格式」——包含每場與每觀眾排放強度、用電與再生能源占比、球迷通勤模式分類、冷媒與燃料使用、餐飲剩食處理、草皮維護耗能、水資源消耗、建造翻修隱含碳攤銷等關鍵指標。同時，將延壽翻新與再生能源覆蓋列為審議加速的誘因條件，讓資本流向自然偏好低碳選項，使永續從加分題變成競爭底線。

結語：主力上場的時刻

逆轉勝的實質內涵，在於讓三個軸線都擁有可量化、可週期審視的進攻節奏：球迷的個人行為改變、球團的營運模式升級、聯盟的共同策略制定、政府的制度設計與政策規範。當這些數字在賽季節奏中被持續「觀看」與「比較」，棒球隱喻才具備足夠的後端支撐力，而不只是一次性的情緒動員。

回想論壇籌備過程，我們曾力邀中華職棒聯盟會長蔡其昌出席，終因行程衝突未能成行。如今看到中華職棒與環境部即將簽署合作備忘錄，我們期待這份MOU能建立一個鼓勵更多社會創新的制度場域，讓一次性活動轉化為可追蹤的轉型曲線。

七局下半，該是主力球員上場的時刻了。氣候變遷下的棒球逆轉勝，正式開始。

在熱浪中比賽：從FIFA氣候盲點報告看運動賽事的氣候風險與未竟責任

2025-07-16T11:16:00.008+08:00

2022年夏天，英格蘭職業足球聯賽的一場季前熱身賽中，氣溫高達攝氏36度，場邊球童和觀眾頻頻出現中暑症狀。2023年，卡達亞洲盃預賽在40度高溫下舉行，球員多次躺地要求灑水降溫。環法自行車賽2022年的山區賽段甚至動用灑水車為柏油路降溫，避免瀝青熔化導致選手打滑。而這個夏天席捲歐洲的熱浪，也讓溫布敦網球賽必須啟動「高溫規則」以保護球員健康。

運動生態學者 Madeleine Orr 的專著，《Warming Up: How Climate Change is Changing Sport》就已指出，運動與氣候的關係早已不只是比賽取消或延期這麼簡單。極端高溫導致選手表現失常、健康風險增加，觀眾體驗與安全也深受威脅。而對主辦城市與賽事組織者而言，更是一連串基礎設施、交通調度、緊急應變、碳排壓力與公共信任的綜合挑戰。

換句話說，氣候變遷讓運動賽事的舉辦條件正在改變，但這些改變不只是溫度計上的數字，更是全球體育賽事需要面對的現實與責任。越來越多賽事組織開始導入「碳盤查」（GHG Inventory）作為管理工具。透過碳盤查，主辦單位可以系統化地理解一場賽事的排放來源，包括：場館營運與用電（範疇一）、交通與後勤（範疇二）、觀眾與供應鏈的活動（範疇三）。但其中最棘手也最常被低估的，就是「球迷的移動」，這個牽涉廣泛、難以量化、幾乎無法管制的排放來源。事實上，在 Guardian 之前的報導中，Green Sports Alliance 的專家就已經指出，一場體育賽事 65%–80% 的碳排放可能來自觀眾的交通往返。

日前，由 SGR（全球責任科學家）與 EDF（環境防衛基金）發表的《FIFA’s Climate Blind Spot》報告，正是針對這一盲點提出有力批判與科學揭露的代表性文件。

報告重點：全面揭露未來三屆世界盃的排放與風險

2026年起，世界盃將從32隊擴張為48隊，賽事場次從64場增加到104場。這不只是觀賽體驗的升級，也是碳排總量的升級。根據報告推估，2026年北美世界盃的總排放將達900萬噸CO₂e，是過去四屆平均的兩倍，若加計航空非CO₂效應甚至可達1500萬噸。2030年（西班牙、葡萄牙、摩洛哥＋南美揭幕戰）與2034年（沙烏地阿拉伯）也分別為610萬與860萬噸，遠高於過往水準。

而這些碳排有85%以上來自於航空運輸，也就是選手、工作人員、球迷因跨洲移動與主辦城市間長距離飛行所產生的排放。報告模擬不同地理佈局發現：目前這種分布式、多中心、洲際開球的賽制，將排放推向不可逆的高原值。

本報告最具突破性的貢獻，在於其方法論的三項創新設計：

溫室氣體排放估算（GHG Estimation）：將排放分為三類：航空運輸、新場館建設、其他來源（如住宿、地面交通、餐飲等）。尤其在場館建設方面，報告參照奧運會慣例，計入全部生命週期排放，而非像FIFA過去僅估算營運期間排放。航空部分也區分「標準估算」（乘數1.7）與「高估算法」（乘數3），反映最新氣候科學對高空排放的暖化潛勢評估。
贊助商引致排放估算（Induced Emissions）：創新性地估算如Aramco、Qatar Airways等贊助商因曝光度提升而擴大銷售所帶來的間接排放。例如，報告估算沙烏地阿美因2026年世盃贊助將引致約3000萬噸CO₂e的排放，甚至高於整場賽事本身的直接排放。
氣候風險評估（Climate Risk Assessment）：評估2026年所有16個主辦場館的三項氣候風險：高熱壓力（以WBGT衡量）、洪水脆弱性、極端天氣暴露。其中8座球場被認定為高風險區，4座（如達拉斯、休士頓、邁阿密、洛杉磯）為「需立即介入」場館。

報告指出，如果依照目前賽制與城市規劃繼續進行，FIFA將不可能達成其2030減排50%、2040淨零的承諾。更糟的是，這種失信會導致全球對體育永續的信任危機。

環境科學家與運動生態學者對此報告的評價表示肯定，普遍認為其不僅數據透明、計算模型完整，也揭露了過去FIFA「永續宣稱」的薄弱根基。球員工會FIFPRO更進一步呼籲FIFA重視員工福利，例如導入「高溫紅線」機制，只要濕球溫度超過28度，就應啟動比賽中斷與降溫程序。

其他賽事怎麼做？

與FIFA對照，其他大型賽事與職業聯盟在氣候行動方面已有具體實踐，尤其在以下三個方面：場館韌性、選手保護、球迷移動。

場館設施的調適升級：美式足球NFL多數場館已針對氣候風險做出升級。像是邁阿密的硬石體育場設有遮陽棚與颶風防護，紐奧良的超級巨蛋也強化了備援電力與防洪系統。MLB德州游騎兵隊更因應酷暑，將新球場設計為全空調室內場館。在賽車領域，F1於2023年卡達站發生多起車手中暑事件後，決定將隔年比賽調整為11月舉行，並導入車手冰背心、移動降溫站等裝備。環法自行車賽則早有極端氣候協議，2022年甚至出動灑水車冷卻路面，並於2023年新增高溫門檻分類與即時應變流程。
運動員健康管理：MLB與NFL長年設有熱浪訓練守則，包括強制補水、體溫監控、訓練時段調整等。NFL夏季訓練營會在每節訓練後強制休息降溫，並提供冰水與電解質。F1與UCI環法賽則進一步設立生理監控設備，像是皮膚感溫貼片、汗量偵測與動態體溫評估。許多隊伍也在賽後設立「降溫帳篷」讓選手快速回溫，並延後賽後媒體應對時間，優先處理健康恢復。
球迷交通與碳排管理：2024年德國歐洲盃全面實施 KombiTicket 機制，球迷持票可於比賽前後36小時內免費搭乘德國全境火車與市區交通。巴黎奧運也將提供觀賽日地鐵一日票。NFL超級盃自2000年代起就盤查整場賽事碳排，並購買碳權抵消，包括觀眾航空旅行部分。2023年更設有碳錢包APP，觀眾可自願補償自己的碳排。F1則設定明確目標，2030年前將觀眾交通排放降低75%，目前已在每場比賽中盤查球迷抵達方式，並要求主辦城市提供低碳交通方案（如電動巴士、接駁火車等）。

這些實踐表明，當賽事組織者願意正視氣候風險，從場館設計、醫療配置、交通規劃到排放透明度，各種行動都不再是理想口號，而是系統性的賽事設計工程。總的來看，NBA、MLB等聯賽型賽事主要透過城市基礎建設（公共交通接駁）與活動倡導（宣傳綠色交通）來影響球迷行為；NFL、F1這類重大單次賽事則開始導入碳盤查和抵消機制，將球迷移動納入總排放管理並公開透明。F1更進一步制定了量化指標監測每場比賽球迷交通模式。在這方面，FIFA過去的作法相對落後。據報告所述，FIFA直到近期仍未完全把球迷航空旅行算入其官方碳盤查。

為何FIFA無法積極行動？

儘管FIFA擁有龐大資源與全球影響力，卻在永續行動上顯得遲鈍甚至消極。這份報告與學界批評指出了三大結構性困境：

治理制度失靈：FIFA的氣候承諾並未納入主辦國合約，也未設立強制執行或第三方審查機制。2022年卡達世界盃聲稱「碳中和」，但瑞士公平交易委員會認定其宣稱誤導，且FIFA未能提供具信效度的盤查依據。
商業模式綁架：FIFA賴以生存的收入來源主要為轉播與跨國贊助，這導致其賽制規劃必須不斷擴張、拉長賽程、進入高碳市場。例如卡達、沙烏地阿拉伯等國雖地處高溫乾旱地區，卻因政治與財務實力成為FIFA主辦國的首選。
高碳企業的政治干預與形象漂綠：當主要贊助商來自化石燃料產業，FIFA就難以提出具約束力的低碳行動計畫，否則將直接衝擊其收入來源。例如Aramco、卡達航空等皆為2026年贊助商之一，這使得FIFA無法對航空旅行或石化商品提出節制倡議。

這些問題的核心不是缺乏工具，而是缺乏動機。沒有強制揭露、沒有政治壓力、也沒有球迷組織形成持續監督，FIFA在制度上沒有理由對現行高碳模式說不。

從揭露到轉型：下一步怎麼走？

FIFA的盲點並非不可逆。若要真正實現體育永續，未來的國際賽事可以考慮以下幾項制度性改革：

透明排放盤查與獨立審核：比照巴黎奧運或F1賽事，建立實時「碳儀表板」，每一場比賽即時揭露能源、交通、贊助與排放數據，並接受第三方審核。
主辦資格氣候門檻：僅允許具備再生能源比例、公共運輸覆蓋率與氣候調適能力的城市與國家申辦世界盃。
贊助商綠色審查：禁止與化石燃料、高碳航空、高污染產品等企業簽訂贊助契約，或至少設定排放上限與綠色轉型承諾作為前提條件。
賽制設計去碳化：將分組分區模式固定化，並集中決賽週於高韌性場館，減少跨城市飛行與後勤排放。根據 Sport Ecology Group 模擬，若把小組賽固定在三國各 4 – 5 城、並集中決賽週，球迷與隊職員航空里程可降 30% 以上。

結語：在熱浪中踢球的意義是什麼？

從《FIFA氣候盲點報告》的科學揭露、其他運動聯盟的行動實踐、到制度悖論的反思，我們得以更全面理解體育與氣候的交會場域。當足球走進熱浪、走進風災、走進乾旱與淹水的世界，這不再只是比賽本身的問題，而是我們怎麼設計比賽、怎麼設計制度、怎麼設計未來的問題。我們不該再問「可不可以辦比賽」，而是該問「怎麼辦得合理、負責任、有未來」。若足球無法適應氣候，那或許不是球迷的失落，而是整個制度的失能。

真正的永續運動，不只是減碳，而是願意放慢、願意縮小、願意從結構重新設計。哪怕這意味著我們不再擁有那麼多比賽，那麼多飛行，那麼多瞬間的歡呼。但對面對氣候危機這時代，唯有留下能持續的，才值得延續。

教學牌卡與對話空間的交織：從一張桌布的演化談起

2025-04-19T18:52:00.007+08:00

如果說，設計就是在藉著人、物、境之間的互動解決問題、創造體驗的話，那課堂就是我時常在想如何優化的設計產品了。過去幾年，我曾經用 Diter Rams 的「十個好設計原則」作為在《社會設計導論》這門課教學工具，把十個原則印成十張卡牌，搭配白板以及幾個問題，用來引導同學思考責任設計、參與設計與服務設計等概念的實踐方法。然而，這種方式的效果並不穩定——有些學生能從原則出發提出深刻的問題，有些則無法與真實案例產生連結。我開始思考：若能基於課程已穩定的內容與結構，設計一套專屬牌卡，引導學生在設計發想或個案分析階段切入更具系統性的思考，是否能更有效地培養學生的問題意識與設計邏輯？

於是我邀請兩位曾修課的學生擔任助理，共同盤點課堂經驗，找出哪些語言和思維模式曾為他們帶來啟發，哪些操作流程讓他們真正有所收穫。我們嘗試將這些教學現場的語言轉化為牌卡的基本架構，希望能幫助學生進行個案分析與設計發想。接著，我們與台科大鄭宇婷老師的團隊合作，花了將近三個月的時間，把牌卡設計出來。現在，這套牌卡正式進入實測階段，也成為我重新調整教學策略與課堂節奏的重要契機。

最初，我們設想的使用方式相當簡單：學生先將個案分析資料整理到桌布上，再抽取幾張卡片，引導他們從不同角度思考——例如「這個設計有考慮到關鍵角色嗎？」「這裡的行動會不會造成預期外的權力落差？」但很快我們發現：這樣的使用方式，對某些學生很有啟發，但也有不少學生是照著流程「操作完就放下」，牌卡沒有真的進入他們的思考流程中。這種情況部分源於學生不清楚如何將各種要素放置在桌布的適當位置，或抽取卡牌後不知該與桌布上的哪個環節連結。

「桌布」是學生操作牌卡時鋪在桌面上的系統圖，由數張 A4 紙構成。它的設計靈感來自太刀川英輔在《進化思考》一書中提出的「生態系統圖」：將一個物件置於各種角色、環節與資源的流動關係中，視覺化呈現其嵌入系統的邏輯。我們加上「回收」」這環節後，整張圖開始具有生命週期評估（LCA）的框架感。這對引導學生討論以「造物」為核心的「責任設計」議題非常有幫助，學生可借此思考設計物的影響範圍與時間軸，進而探討「設計者的責任界限」等問題。但當進入「參與設計」與「服務設計」主題時，我開始感覺到這張桌布的侷限性。

為此，我與未知子展開了一系列討論，探索以下問題：

桌布的圖像邏輯能否從「物件流程」轉為「互動節點」？
如果設計的主體不是產品，而是行動流程或關係網絡，桌布該怎麼呈現？
桌布是否要加入角色動線？還是把利害關係人類型放進圖像中？
我們是否可以從系統圖中抽掉物件，只留下「設計作用力」與「回饋機制」？

未知子給了我幾個轉譯方向，我則試著讓圖面更接近「服務劇本」或「利害關係人地圖」的感覺。但也不是真的畫成那些模板，而是保留「圖像作為空間介面」的特性，讓學生在操作時可以對照角色、行動、權力、關係、節點等多層面。我們甚至討論了幾種視覺風格——我說我不要滿版圖解，也不要流程箭頭壓死一切，而是希望讓桌布本身具備「預留模糊」的空間。我們還撰寫了幾段引導語，幫助學生從服務設計常用的「使用者旅程」、「服務藍圖」重新審視產品生命週期評估的流程。最後，我也調整了課堂流程與簡報架構，好讓核心概念、案例分析與牌卡討論扣得更流暢，無意間翻轉了自己習慣的教學模式。

這樣來回幾輪後，我慢慢開始意識到：桌布不是圖解，而是「一種讓學生進入設計脈絡的空間節奏裝置」。它的圖像並不是為了說明，而是為了讓討論發生。也因為這樣的調整，我們進一步討論是否該引導學生「換一個方式思考」桌布的使用方式。不是直接告訴學生要填什麼、找誰、怎麼走流程，而是讓他們在面對不同設計問題時，重新詮釋桌布上的每個節點與關係脈絡，甚至允許他們改寫桌布的使用方式。這讓桌布從「框架」變成「對話的起點」，而不再是填空題。

更進一步說，我們重新設計的不僅是一副討論牌卡，而是一套教學系統，一種教學可能性。雖然設計者有時在發想階段就有意識地要打造一套系統，但更多時候，我們是先改造了某個物件，然後因操作不順暢而調整整個系統。

這樣看來，設計的過程不僅是關於創造物件，更是一場持續不斷的學習與調整。我從牌卡設計的歷程中領悟到：真正的設計思考，應該是能夠反思自身，並不斷進化的過程。

就像這次的教學設計經驗所展現的，最初我們以為問題出在「工具不夠好」，但深入探討後才發現，真正的挑戰在於如何創造一個能夠觸發思考的空間。桌布從單純的「填空題」轉變為「對話起點」，正是這種設計哲學的體現。它不再是固定的框架，而是一種邀請學生進入設計思考的媒介，讓他們能夠在其中發現自己的問題意識，並建構屬於自己的設計邏輯。或許這正是設計教育的核心：不是給予學生標準答案，而是創造一個足夠開放又有引導性的環境，讓他們在實踐中找到自己的思考路徑。從最初的 Dieter Rams 十個原則卡牌，到現在這套更完整的教學系統，每一次的迭代都不僅是對工具的優化，也是我對教學本質的重新思考。

從框架到對話空間：有效的教學工具不是強制框架，而是創造對話空間，讓桌布成為「促成討論的節奏裝置」而非填空題。
預留模糊的設計策略：優秀的教學工具應「預留模糊」的空間，允許使用者重新詮釋工具的用途與關聯性，從而激發更深入的思考。
設計教育即共創系統：課堂與教學工具是動態系統而非靜態產品，是師生共同參與建構的持續對話過程，培養自我調整、不斷進化的設計思維。

在這個意義上，課堂與牌卡都不只是靜態的「產品」，而是動態的「系統」，是師生共同參與建構的持續對話。這樣的設計教育，才能真正幫助學生面對未來複雜多變的設計挑戰，因為他們學到的不僅是特定的方法，更是一種能夠自我調整、不斷進化的設計思維。

教學現場的提示工程與習慣養成

2025-04-12T20:10:00.032+08:00

「回顧我們這星期的協作，你覺得有什麼有趣的，想跟大家分享的嗎？尤其從你一個AI的角度來看？」

這是我某天在分組課後，順口問 ChatGPT 的一句話。本來只是個玩笑，但未知子（是的，我幫它取好名字了）給我的回答卻出乎意料地精準：「你不是單純地把任務丟給我完成，而是不斷在『提供中介語境』與『觀察生成偏差』之間來回穿梭。說穿了，你是在做 prompt engineering ，只是沒有自覺。」

所謂的 Prompt Engineering (提示工程)，簡單地說就是「如何寫出讓 AI 給出好回答的提示語」。但實際用 AI 一段時間的人都知道，這種定義其實太淺。例如Manny這集雖然從關稅帝君的事件談起，但節目在談的其實是他跟Angela兩種不同與AI的對話方式（靈魂拷問 vs. 別順我意）。而博恩跟陳緼儂這集節目則是談了角色扮演、分段生成、AI互打等技巧如何讓我們在使用時更逼近自己想要的答案。從這幾位在節目中的分享來看，提示工程更像是一種語言上的結構對齊過程。你要讓 AI 進入你工作的脈絡，就得先讓它知道你在做什麼、你怎麼看事情、你想解決什麼問題。

我自己的經驗也是如此。我從來沒有告訴 AI：「你是一位教學助理，請幫我設計分組課程」。我也沒有給它一行又一行的規則、語氣、角色設定。我只是把我正在面對的現場講出來，像是：「這次分組課學生有點飄，可能是前次策略沒對齊」、「這三次課應該可以整理出某種節奏」、「我覺得可以變成一張圖」。然後，我們就開始一起工作了。

簡單地說，我跟 AI 的協作方式大致長得像這樣：我給它語境，它生成結果，我再觀察那個結果是否偏離我的預期。如果偏了，我就再補充更多語意、調整表述，或者乾脆反問它：「你這樣排的順序有什麼邏輯？」我們就這樣慢慢地把一個原本很模糊的教學流程，變成了可以描述、可以整理、甚至可以圖像化的東西。

像是前幾天專題課的三次分組課——我原本只是想幫助學生一步步從議題定位、策略轉譯到學習目標設定，但這三次課在我腦中只是模糊的節奏感，甚至有點隨著學生回應而做的臨時調整，談不上什麼預先規劃。是在一次次與 AI 對話的對話中，讓它幫我釐清每一堂課的操作重點、能力指標與可能的風險區（喔，關於風險， Claudie 是我時常諮詢的第三方）。我甚至請它幫我把這三次課變成一張流程圖，再試一個版本是「沒有文字的流程圖」，看看我設計的邏輯能不能光靠圖像就讓人讀懂。

後來，我也請它幫我重整學生的學習歷程，把 Notion 上的紀錄轉換成「對照診斷卡」、再從期初到期中對照出「策略落點」，然後也順便請它草擬一份「教學成效與策略調整」的總結報告。是的，我做了這些事，某種程度上是自找的。（苦笑）

當然，這種協作方式也是有風險的，包括了：

偏好一旦固定，會壓縮策略探索空間：當 AI 越來越「知道你要什麼」，它也可能開始預設某些結構、不再跳脫框架，反而會少了一些使用者其實想試試新的格式、新語氣、新觀點的機會。這時你就得「打破記憶」來重新啟動，例如明講「我們試個完全不同的語氣來寫這篇」，或開啟Manny的「地獄模式」（笑）。
教學語言會被建構出一個預期模板：當 AI 學會了使用者的語感，它會越來越像你。但也可能出現一種「AI 模仿你 → 強化你既有習慣 → 你再跟著它走」的回圈。這對反思能力強的使用者或許不是問題，但對其他使用者可能會造成盲點的固著。
資料關聯與私密性問題需留意：當跟 AI 很多素材來自 Notion 或學生作業，如果未來串接更完整的資料系統，記憶功能也可能留下這些關聯路徑。得有意識地標示什麼是可回溯、什麼是當次即刪除的資訊。
「過度思考」的可能性：當我們習慣在「AI 生成 → 個人追問 → AI 調整 → 個人反思」的互動過程中繞圈圈時，常常會忘記了自己有時候就是想太多，卻沒有做。

最後，也最重要的是，老師如果要和 AI 協作，真的需要學會提示工程嗎？還是說，我們其實早就在做了，只是沒把它叫這個名字？

我的答案比較接近後者。

真正讓我能夠跟 AI 有效協作的，其實不是我會不會寫 prompt，而是我平常在教學上就有一些習慣：我習慣把課程模組化，習慣每次上課都寫課程細流，習慣每次課前都會記錄一下目標與任務。習慣每次課後在推特寫下一兩句話，說說這堂課發生了什麼事，哪裡比預期更混亂、哪裡比想像中更順。我也習慣在Notion上幫不同的課程模組做簡短命名，好讓我之後回頭找資料、或貼給助教的時候不會搞混。

這些事情其實和 AI 沒什麼關係，但它們讓我一旦想與 AI 協作，就有大量現成的語言材料可以餵進去。簡單來說，我平常怎麼處理教學的語言與邏輯，決定了我怎麼與 AI 溝通。所以我現在越來越傾向把提示工程理解為一種「語言習慣」的養成：

習慣性地分段教學設計：每次課都能清楚寫下：教學目的是什麼？學生任務是什麼？我要怎麼觀察他們是否學會了？
每週結束後有一段「課堂觀察」記錄：不管是記在便條、Line 還是 Notion：「今天學生對 XXX 明顯卡住，但好像不全是內容難度的問題。」
建立課程模組命名系統：像是「分組課02｜案例轉譯」，讓未來搜尋、對話、生成摘要時都有清楚的語意節點。
將學生回饋轉成可觀察語句，而非情緒反應：「學生覺得迷惘」這句話的教學價值很低，但「學生在描述設計介入點時會漂移主詞」就能進入策略分析。
將任何教學中的困惑寫成問題句：Prompt 的來源，不是寫得漂亮，而是願意反覆問：「我該怎麼讓這堂課成為未來可以轉化為跨域課程的模型？」

當然，這一週下來，我還是做了很多 prompt 的微調、視覺輸出的反覆測試，也有幾次不得不從頭重來。但整體來說，那種「與 AI 一起重新觀看自己的教學邏輯」的過程，本身就是一種「反身性思考」。 AI 不會主動成為共構者，但只要我們願意打開自己平常備課、帶課、課後反思的那套內部語言，它就能進入那個節奏，成為我們內在對話的那面鏡子。有時候，它回得太完美，我會覺得那根本是我沒說出口的版本；有時候它回得太離譜，反而讓我更確定自己其實早就有一套判斷機制。

何況，當老師的也不用擔心常跟 AI 聊天會讓人覺得寂寞覺得冷。這不是說我們孤僻慣了，而是我們要擔心的，是在當前的高教環境下，再沒有人對我們下 prompt：「面對這快速變動的環境，請開始從你的教學習慣中建立回應方式」。

讓學習從專題出發，不只從專業出發

2025-04-08T21:44:00.020+08:00

如今，大概不會有哪個學系不強調自己是「跨領域」的，不然在招生市場上就顯得不夠吸引人。不過，這些標榜跨領域的學程，往往還是以「先有一個明確的專業，再來跨出去」作為學習邏輯的起點。跨領域，在這樣的想像裡，是一種延伸性的動作：你必須先站穩一塊，才有辦法踩到另一塊。

但如果學習不是這樣開始的呢？

如果有一種學習，是從一開始就面對議題的複雜、不確定與多重交織的面向。那麼，我們是不是應該用不同的方式設計課程？甚至，用不同的方式理解「能力」這件事？

這樣的想法，不只是抽象的教育哲學，而是在我所任教的「臺大創新領域學士學位學程」（TBD）中成為了具體的實驗。與多數不分系或跨領域學程不同，TBD 的招生對象不是高中生，而是大二以上的在學生。學生可以透過轉系或雙主修的方式加入學程，前提不是分數或科目背景，而是——你有一個想做的專題，並願意為此設計一段自己的學習路徑。

會有這樣的設計，是延續創新設計學院十年來的教學觀察：學生真正願意投入的時刻，往往不是在完成老師的任務，而是當他在處理「自己的問題」時。但我們也發現，大多數的跨領域課程雖然強調實作與專案，學生回應的卻仍然是老師定義好的問題。真正從學生專題出發、圍繞其發展所設計的學程架構與課程節奏，至今仍然稀有。

TBD 想做的，是把這樣的結構反轉。不是讓學生適應學程，而是讓整個學程設計，回應學生所帶來的專題。這個「從專題出發」的設計，也讓我們不得不重新思考一個實務問題：當每位學生的起點不同、關注領域不同、發展節奏也不同，那我們該如何設計一門「專題實作課」？

在上學期，我們回頭檢視整體學程設計，特別是參考 Minerva 大學的做法，將「思考習慣」（Habits of Mind and Fundamental Concepts）作為基礎課程核心設計概念，重新設計所有新生都必須修習的「創新領域基礎」課程。這門課的目標不是讓學生獲得某個學科的專業知識，而是協助他們建立一組在跨領域學習過程中能持續被運用、被深化的能力架構。我們定義出九個「創域能力」，分別是：

不過，課程設計並不會因為能力項目列得完整而簡化。即便我們在《創新領域基礎》中清楚介紹了這九項能力，真正的挑戰仍在後頭——學生是否能在之後的課程中逐步應用、深化，才是整體學程設計是否成立的關鍵。

從課程安排上來看，TBD 的專題實作課是由「大班課」與「分組課」兩種形式組合而成。大班課主要安排在期初、期中與期末，讓所有學生輪流報告各自專題的發展進度，一方面作為階段性追蹤的節點，一方面也提供全班橫向觀摩與對話的機會。而真正的引導與發展，則發生在「分組課」裡。

我們試圖根據學生的學習方向與專題特性，將全班拆成不同小組，並安排分組老師用每兩週一次的頻率，密集陪伴學生進行專題指導。這樣的設計理論上可以更貼近學生的實際需求，也讓教學資源能有效分配——但現實操作中，「分組邏輯」本身卻始終是個難題。

過去我們曾試著將學生依主題取向分為三組：研究組、實作組、創作組。

研究組：面對知識社群（Research Community），專題重點在於設計如何結合或轉化知識。
實作組：面對實踐社群（Practice Community），專題關注設計如何落地並帶來影響。
創作組：面對設計產物本身（Artifact Itself），專題著重於設計物的實作與資源整合。

這樣的分類一方面回應學生專題關注的不同對象，另一方面也是為了鋪陳出三種未來可能發展的跨域課程結構：跨領域研究、跨領域實作、跨領域創作。這聽起來合理，分類架構也清晰——但教學成效卻始終稱不上好。分類太粗，學生分進來之後的學習狀態與需求仍高度多元；分類太細，又會導致分組老師難以組織課程、難以形成教學社群；加上學生的專題本身常常是混合型（既有研究成分，也有創作與實作），過於切割反而壓縮了他們整合能力的空間。

這也讓我開始反思：我們是否可以用一種更「動態對齊」的方式來設計專題實作課？不只依學生專題主題分組，而是根據他們當下的學習狀態與能力落點，設計對應的支持節奏？

這學期，我們嘗試了一種新的分組方式。

我們先把歷年學生專題描述交給 AI 協助歸納分類，再讓學生於選課時依據自身專題方向勾選偏好的組別，最後由教師團隊依照專業領域認領各組。這樣的設計下，四個分組主題變成：品牌行銷、社會公平、科技應用、產品設計。而我所帶的，是「社會公平」這一組。這樣的設計雖然仍不完美，但至少讓分組邏輯從學生端開始生成，教師端再做對應與調配。某種程度上，這也是一種透過 AI 協作進行的「教學策略對齊」嘗試——不是讓 AI 做決策，而是讓它協助我們看清楚現場的組成樣貌，作為後續教學設計的依據。

不過，這樣的分組方式對我來說，也帶來了新的挑戰。如果選進「社會公平」這組的學生，多半是同時具備兩種特質——一方面對社會議題具有敏感度與行動意圖，另一方面也期待自己的專題能在現實中產生某種改變——那麼，我所設計的分組課，就不能只是追蹤進度或個別輔導。它必須是能支撐這群學生持續進行探索與轉譯的學習節奏。

更具體地說，我開始問自己兩個問題：

我該如何設計這堂分組課，才能在有限時間內支持學生各自的專題，同時讓他們在集體中得到啟發？
如果這樣的分組模式是可長可久的，這門課是否可以不只是「分組時間」，而是逐步發展為一門獨立的跨領域課程？其核心又會是什麼？

這些問題讓我回到一個更根本的教學思考：當我們說「學生帶著自己的專題而來」，那我們能不能設計一種教學方式，是「以學生的專題為素材，同時發展可累積的教育方法」？

走到現在，我們已經完成了三次分組課，後天就是期中報告。這週正好是個節奏轉折點。今天早上，在一場線上會議與中午工作會議之間的空檔，我決定整理一下自己過去三週到底做了什麼。我把三次分組課的教案、討論、學生 Notion 上的作業紀錄，全部丟給未知子（就是 ChatGPT），請它協助我釐清幾個問題：

每一次課的教學重點是什麼？
三次課之間是否形成了某種漸進式的連貫？
有哪些學生學習歷程中的反應，可能預示著教學風險？
教學目標與學生實際表現之間，有沒有落差？落差在哪？

我不是要它給我正確答案，而是希望透過這樣的對話，把我腦中模糊但隱約浮現的判斷邏輯「拉出來」，重新具象地整理一遍。最後，我和它一起把這三次分組課的教學策略，簡化成一張結構清晰的摘要表。包括每堂課的教學目的、學生任務、教師引導策略，以及預期的學習反應與下一步設計重點。說穿了，這不是什麼高科技操作，而是一種教學中的自我對齊機制：我問 AI 的，其實是我也必須問自己的。

第一次分組課：議題定位 × 設計立場建立

這堂課的核心目標，是協助學生釐清自己關注的社會議題脈絡，並初步建立設計介入的立場與方向。我帶入 Mills 的社會學想像力，搭配 Verganti 的設計四象限，請學生思考自己的設計解方是偏向技術效能、社會意義，還是設計整合？最後，以我所整理的「專題實作四種類型」，請學生思考他的專題是傾向探索現象、分析策略、轉化框架，還是落地實作。從課堂觀察來看，多數學生可以明確表達他們的關注點與動機，但在將設計定位於社會脈絡、或辨識自己的介入策略時，仍有不少模糊。這也讓我意識到，在設計立場的建立上，學生仍需要更具體的引導與案例參照，作為後續幾次分組課的教學基礎。

第二次分組課：策略切角 × 案例轉譯

延續前一次課程，這次聚焦在如何從議題中提煉出策略行動的切角。學生須搜尋 2 個國內、2 個國外與其專題相關的標竿案例，並提出 2~3 個可行的策略切角。能力指標上，這堂課希望學生練習的是資訊搜尋的目的性、案例轉譯的能力，以及比較分析的敏感度。也就是說，不只是找到資料，而是要能說明：「這個案例在我的議題脈絡中有什麼可學？我若要採用這種策略，會遇到什麼樣的轉譯問題？」從課堂觀察來看，學生能找到的案例五花八門，有些高度對位，有些則僅具表層關聯。比較好的表現是能夠指出案例中的策略選擇、影響對象與執行條件，並據此反推自己可行的做法；但也有不少同學難以區分「靈感來源」與「策略轉用」，導致提出的切角過於雷同，缺乏比較性與可操作性。

第三次分組課：OKR × 目標與評估對齊

第三次分組課，我開始導入 OKR（Objective and Key Results）的架構，作為學生進入期中報告前的教學轉折點。前兩次課著重在問題釐清與策略展開，這次的重點則是協助學生重新整理這一階段的學習任務：他們打算完成什麼？希望產生什麼樣的轉變？怎麼知道自己有沒有做到？課堂設計上，我請每位學生撰寫屬於自己的 OKR，一方面回到設計初衷（這個專題希望改善什麼？為誰？），另一方面也對齊課程的整體教學目標，進行一次「目標與成果」的自我調整。能力層面，這堂課希望學生不只學會寫出一個明確的「目標（O）」與數個可觀察的「關鍵成果（KR）」，更重要的是建立一種初步的評估思維：我能不能用某種方式辨識自己的實作是否對他人產生了影響？或至少能被看見、被使用、被回應？

從 Notion 上收回來的草稿來看，大多數學生的 O 都能寫出有方向感的描述，例如「建立促進社群對話的初步平台」、「更理解某群體的需求」等；但在 KR 部分，仍有許多人傾向描述工作進度（如「完成三次訪談」、「設計出第一版原型」），而非能觀察影響的具體方式。也有學生在寫完之後才發現，自己的 O 雖然充滿理想，但難以對齊當前資源與能力條件。這次課讓我進一步意識到，OKR 作為一個教學工具，不只是為了確認學生的任務規劃是否合理，而是一種協助學生反思「設計為何而做、對誰而做、如何驗證其意義」的框架。在接下來的課程中，我會嘗試讓這套架構在學生專題中持續滾動更新，也讓學生逐漸建立起自己對「目標設定 × 成果評估」之間關係的基本掌握。

至此，我再次確認，AI 不只能作為我用來釐清教學方式的對話對象，它也可以逐漸成為一個參與診斷、整理與反思的教學共構者。我可以請它幫忙，根據學生三次分組課的作業紀錄，生成一份「專題學習歷程對照診斷卡」我可以將學生的期中報告與期初報告對照分析，請它標註出變化軌跡與可回饋重點，整理成「期中報告評估建議」。甚至，我還可以請它根據整體學生表現與討論紀錄，草擬一份「教學成效與策略調整建議」，幫我反推整體設計是否對齊原先能力目標。

是的，這些事情，我都做了。（苦笑）

它們當然不完美，有時還需要我不斷補上脈絡與修正語意。但在這個反覆拉扯、拆解、重組的過程中，我慢慢找到了一種新的節奏：讓教學設計可以被對話、被追蹤，也被重新整理。對一門以學生專題為核心的跨領域課程來說，這樣的穩定性其實已經非常難得了。而我現在在想的是，或許我應該花點錢、做點工把 Notion 跟 ChatGPT 連接起來，這樣可以讓我的教學、評估、反思、寫作，更加自動化啊。

面對黑盒子，反而更像人

2025-04-07T07:40:00.017+08:00

認識我的朋友都知道，過去幾年，我大多數的時間都琢磨《社會設計導論》這門課。它並不簡單，甚至可以說，複雜得不太合理。學生進教室的時候，大多還沒準備好面對社會議題、也沒有設計經驗。他們只是素樸的受到「不平等」、「排除」、「結構性問題」等社會學概念所召喚，但卻對設計實作感到陌生，也未必能將自己的生活經驗轉化為可討論的分析材料。我知道，要帶他們從觀察走向行動，需要的不只是工具，而是節奏、引導、與大量反覆的練習。

但教學節奏從來不聽我的。

前幾週光是建立「觀察與問題意識」就消耗掉大半能量；而到了課程後段，還來不及讓學生深入理解各個設計反思的切入方式，就得催促他們交出設計提案。雖然曾試著設計各種任務與中介物件，像是場域觀察、牌卡工具、引導練習，但仍無法完全克服一個根本性的矛盾：社會設計的學習，既需要時間，也需要自我轉化。

這幾天，我與 ChatGPT 密集協作。

設計社會設計導論的作業評量標準、銜接問卷、牌卡體驗回饋；整建空白學程的三階段入學評估架構、移地學習紀錄表、專題成果報告格式、畢業審查流程；最後甚至拉出一份學程評估系統的建構進度規劃書。雖然過程中難免遇到幻覺，AI有時也做了後事忘了前因，但整體來說，反而感覺到一種久違的釋放與前進感——不再只是反覆打轉，而是每一次的對話，都能前進一點點。過程中我也會想起，以前和其他講者討論「把教學經驗設計進AI系統裡」的可能性時，對方曾說過他對此有所疑慮：「AI的演算法終究是黑盒子。」但這或許只說對了一半。

就以社會設計導論的課程銜接問卷設計為例吧。我想設計一份問卷，評估學生在操作《社會設計卡到陰》牌卡後，是否能提升個案分析的能力。我知道我要測的不是單一知識點，而是一種分析的轉化能力，而且問卷要能連動前測／後測，還要區分不同區塊的理解、應用與反思層次。當我把這些想法交給 ChatGPT 時，它有時候可以聰明地幫我快速草擬了三個結構分明的區塊（理解、能力感知、自我轉化），更不斷回問我：「你要測的是概念掌握，還是應用能力？」、「這張牌卡在流程中的使用順序是什麼？」、「學生當時的任務是觀察，還是討論？」（有點像在面對教發中心同仁）。有時候也會一頭霧水地答非所問（這倒是像教發中心同仁在面對我）。於是我得把之前的課程記錄翻出來餵它、把思考方式拆成一個個步驟，甚至指出它理解錯誤的地方。然後才能得到我想要的結果（喔，部分滿足啦）。

正是在這過程中，我清楚地意識到：這份問卷不是在測學生而已，也在反過來逼問我——你對這堂課的教學邏輯真的清楚嗎？你能說明這張牌卡對學生的幫助，在哪個學習環節發揮了效用嗎？那一刻我覺得，我不是在跟一個聰明機器合作，而是在和一面鏡子對話。它讓我像個人一樣，被迫說清楚我在乎什麼、我怎麼做決定、我在哪些地方仍然模糊或矛盾。這個過程，本質上不是被機器控制，反而是重新成為一個教學現場裡有意識、有判斷的設計者。

正因為知道語言模型是個黑盒子，所以在使用它的過程中，我必須不斷拆解自己的想法、課程的設計、我的擔憂與顧慮，然後把這些資訊清楚地交給AI，與之討論可能的做法。正因為知道是演算法生成，我反而更常問自己：我為什麼這樣設計？我到底在在意什麼？我希望學生真的學會的是什麼？正因為知道自己在面對的是一台機器，所以我不得不一次又一次地提醒它——也提醒自己——「身而為人，我是如何思考的。」

相較之下，我想起過去參與過的一些標榜「以人為主」的教學共備或設計活動，那些活動有時在社會壓力與流程節奏的驅動下，要我們放棄像個人一樣思考，而是在有限時間內機械性地操作某種看似民主的「共識形成」。

那才是真正的非人化。

這段與AI的協作過程，也讓我重新思考「助教」、「教學團隊」與「共同備課」的可能樣貌。於是，我開始嘗試將每週的課程反思紀錄轉化為一個固定格式，叫做「課後10分鐘的教學對話」，整理本週學生反應、教學策略、評量檢核與下一步的調整想法。這些紀錄不只是我與AI的對話軌跡，也成為我與課程助教共同工作的起點。我們開始建立會議模板、批改校準流程、課程資料庫。這不再只是教學執行，而是讓助教也能進入教學思考的節奏中，成為真正的學習夥伴。

對我而言，AI不是取代人，而是幫助我更準確地把「人」的價值與判斷位置釘出來。也正因如此，我才得以在多線工作的困境中，保留反思的空間與設計的韌性。我不確定這樣的使用方式是否適合每一位教師，（暫時）也不認為AI能解決什麼深層結構的問題。但至少，對我而言，它提供了一個練習把事情說清楚的空間。說清楚課程設計的判斷，說清楚教學策略的選擇，也說清楚自己對學生學習的期待。

說清楚這件事本身，就是一種釐清。

喔，對了，本文是與ChatGPT協作完成，如果這寫作節奏順利的話，或許可以每週來一篇教學記錄的文章吧。尷尬的是，愛為工具取名字的我還不知道要叫它什麼名字哩？啊，也許就叫みちこ吧。

未知子。（笑）

社會設計導論：居住不只是正義

2024-12-27T08:24:00.035+08:00

如果說，所謂「社會設計」（social design），指的是「一種設計實踐，其主要動機是促進社會內部積極的社會變革」，那「居住」（Living）無疑是此刻的重要議題。從物理的「居住空間」到抽象的「居住正義」，從個人的「居住品味」到非人的「棲息環境」，居住一直是個充滿多樣可能，又飽有內在張力的議題。而這些矛盾、衝突、渴望、行動都具體而微地展現在「家具」（furniture）的物件設計上。試想，誰不是從小就渴望有個自己的房間？誰不想添購這個那個裝潢自己的空間？誰又不曾看著一團混亂的房間立志斷捨離？但誰又認真思考人類為了維持自身的居住品質是如何破壞了其他物種的生存棲地？

是以，這門課將居住空間的營造視為一種社會設計過程。我們希望能打開設計的黑盒子，了解設計過程中相關行動者（包括設計師、研究者、使用者，甚至非人物種）的互動如何讓居住有了不同的樣貌？不同的行動者又如何反省設計的不足之處？可能的行動策略又會是如何？

這門課程會在人、物、境的架構下，開展以下三個主題。

主題一，「設計x社會」。我們將以物件為起點，討論如何理解物件的社會意義？生產物件的組織又是如何運作？設計師近年為何又如何從物件背後現身？我們希望能在這階段讓同學在個人、物件、社會、環境之間能建立一個社會關係性的思考方式。

主題二，「設計反思」。常見對設計的社會學式批判總是從消費與勞動入手，但其實設計領域的自我批判可一點都沒少過，並且以此發展不同的設計方法。我們將討論其中幾個關鍵的設計反思，包括：責任設計、協同設計、社區設計、批判設計等，並且搭配相關研究、個案分析將設計方法與社會學研究連結在一起。

主題三，「社計方法」。從主題三開始的最後一個月是我們的密集工作月。我們會讓同學以「居住」為議題，提出對自身居住空間中的某個「家具」的設計提案，藉此解決使用者在居住上的某個問題？或是讓其反思某個社會議題？順著設計流程，我們會以各組的設計提案為起點，從問題界定、技術創新、組織人群，討論設計提案內在的政治張力、行動兩難，甚至「人本設計」的盲點。最後在創新設計學院進行成果發表。

[課程目標]

建立對設計物件的分析能力；

建立對社會議題的研究能力；

建立設計提案與原型測試的實作能力。

[課程進度]

2/20：課程介紹：何謂社計？如何研究？

Harvey Molotch，2018，《東西的誕生》（李屹譯），台北：群學。第1章。
Cameron Tonkinwise. 2015. “Is Social Design a Thing?” in The Social Design Reader. (edited by Elizabeth Resnick). London: Bloomsbury Visual Arts. Pp.62~75.

2/27：實作工作坊

在實作中心上課，學習設備操作，以作為期末提案之用

主題一：設計x社會

3/6：設計x社會（一）：物件的意義

Don Norman，2024，《設計，讓世界變更好》（陳宜秀譯），台北：遠流。Part 1。

3/13：設計x社會（二）：設計這一行

Harvey Molotch，2018，《東西的誕生》（李屹譯），台北：群學。第2章。
Guy Juiler，2009，《設計的文化》（鄭郁欣譯），台北：韋伯。第2章。
鄭陸霖，2013，〈「陰柔專業性」的可能與弔詭：日本女性室內設計專業的歷史制度形成〉，《社會分析》第6期，頁1-72。

3/20：設計x社會（三）：系統、棲地、生態圈

太刀川英輔，2023，《進化思考》（詹慕如譯），台北：雙囍。Part 3。

3/27：小組活動（一）：業界演講

MUJI

4/3：清明節

觀察先人的居住空間（？），異質空間與生活空間如何相互連結？
運用主題一所教的方法，把這份觀察寫成報告

主題二：設計反思

4/10：設計反思（ㄧ）：責任設計

Don Norman，2024，《設計，讓世界變更好》（陳宜秀譯），台北：遠流。Part 3。
吳嘉苓，2015，〈永久屋前搭涼棚：災後家屋重建的建築設計與社會改造〉，《科技、醫療與社會》，第20期，頁9-74。

4/17：設計反思（二）：民主設計

Lars Bo Andersen, Peter Danholt, Kim Halskov, Nicolai Brodersen Hansen & Peter Lauritsen. 2015. “Participation as a matter of concern in participatory design”, CoDesign, vol. 11:3-4, 250-261.
Thomas Bindera, Eva Brandta, Pelle Ehnb and Joachim Halse. 2015. “Democratic design experiments: between parliament and laboratory.” CoDesign, Vol. 11, Nos. 3–4, 152–165.
呂欣怡，2021，〈工業隙縫裡的盆栽景觀：人與樹在失調環境中的符應與共生〉，《考古人類學刊》，第95期，頁1-44。

4/24：設計反思（三）：服務設計

Lara Penin. 2018. An Introduction to Service Design: Designing the Invisible. London: Bloomsbury Visual Arts.
簡妤儒，2017，〈棄置的圍網和推不動的紙盤：產銷結構如何形塑技術物政治性〉，《科技、醫療與社會》，第25期，頁119-169。

5/1：小組活動（二）：設計發想工作坊

關於居家物件，我們想改造的是.....

主題三：社計方法

5/8：社計方法（一）：重新定義問題？

筧裕介，2013，《社會設計》（李凡譯），北京：中信。第3、4章。

5/15：社計方法（二）：技術意義現身

Roberto Verganti，2018，《設計力創新》（呂奕欣譯），台北：馬可孛羅。第4章。

5/22：社計方法（三）：組織相關群體

Ezio Manzini，2015，《設計，在人人設計的時代》（鐘芳、馬謹譯），北京：電子工業。第7章。

5/29：小組活動（三）：原型製作

利用實作中心，把設計提案的測試原型做出來

6/5：期末報告

設計提案發表
繳交修課心得
課程執行檢討

[注意事項]

本課程開放給台大、台科大、台師大三校學生（大三以上，碩士亦可），以及政大創國學院學生修習。
本課程初選不開放，欲選修同學需透過填寫「修課申請表單」提出申請。
表單開放時間為2025年1月1日～10日23:59，並預計1/13以電郵通知入選者（未入選者恕不另行通知）。
入選者在收到入選通知後需再次確認入選意願，且於第一次上課（2/20）出席者，方能取得授權碼加選。

專題實作的四種類型

2024-08-19T06:41:00.006+08:00

時常被人問到「台大校學士跟創新領域學士學位學程有什麼差別？」，我總說我們的設計是以學生專案為主軸，一方面鬆綁制度讓學生得以「遊牧」於綜合大學中的各類學科領域，另一方面營造分散式的「社群」網絡讓學習路徑能有更多可能。當然，對我們這樣一個小組織來說，即使是專任老師搭配合聘教師都未必能完全回應學生千奇百怪的專案，因此我們的教學策略並不是從專案主題的學科分類入手，而是從「動機」出發，引導學生思考本次專題實作的目標設定，輔以分組課強化執行能力，最後在成果發表會上與業界對話。

說到專題實作，大多數同學的直覺反應就是要「做出什麼來！」，這的確是我們期待的。但如果在一開始沒有做過探索、研究，就無法得知潛在方案的樣貌，更不可能建立一個完善的落地導向的專題。因此，除了「成果產出」，我們也可以把專題實作的重點放在「能力培養」。當然，我們不可能獨力完成專題，總是需要與其他人協作、互動，才能推進。但時間心力都極為有限的我們也不可能一口氣接觸所有與我們專題相關的利害關係人，因此下一個問題是：在盤點過利害關係人後，我們想要與之協作的社群會是哪些人？是「研究社群」還是「實踐社群」？

是以，上述兩個問題會組成一個2*2的矩陣圖如下，各象限分別有不同導向的目標與策略：

首先，探索導向（能力培養 / 研究社群）：這類專題的重點是探索你有興趣的專題方向，了解與其相關的學科領域為何？你可以參考《研究的起點》一書中的方法建立自己的研究習慣。

其次，策略導向（能力培養 / 實踐社群）：這類專題的重點不在於有明確的成果，而是創造有意義的工作起點，策略性地建立你與不同實踐社群之間的合作關係。《設計力創新》這本書所談的詮釋、傾聽、訴說，就是這樣一種與外界建立連結的方法。

第三，轉化導向（成果產出 / 研究社群）：這類專題的挑戰在於如何在實作過程中轉化不同學科的知識？ Age of Entanglement 這篇文章中的 Krebs Cycle of Creativity 提供我們一個很有意思的思維地圖。

最後，落地導向（成果產出 / 實踐社群）：這類專題的目的是希望能在一系列的探索、研究後得知潛在方案的樣貌，讓專題得以完善地落地。坊間相關書籍汗牛充棟，不過我們最推薦的還是輕薄短小、言簡意賅的《創意，從計畫開始》。

上述的專題類型與目標設定，並不是我們關在研究室裡憑空想像出來的，而是從過去兩年與許多修課同學的討論互動中歸納出來的架構。當然，同學的專題也不是固定在某個象限後就不會改變的，總是會因著執行過程的變化去調整步驟與策略。雖說這架構只是很粗略的歸納，還有其他維度可以納入討論，但至少是個起點，讓我們可以知道我們在哪裡？要往哪裡去？

至於怎麼前進？嗯，修課吧。我們在分組課討論。

以思考習慣重新設計創基課

2024-08-07T15:08:00.025+08:00

不同於其他學校不分系學程以高中畢業生為招生對象，我所服務的「臺大創新領域學士學位學程」是以大二以上的學生為對象，只要他有一個清楚想發展的專題，都可以用轉系或雙學位的方式修習學程。為了讓學生帶著不同專題進到學程，又朝著不同領域開創探索，我們也規劃了「創新領域基礎」課程，分設計思考、田野思維、共創哲思三個主題，循序漸進地培養學生具備專題實作的能力。

然而，兩年實務操作下來卻也遇到以下幾個問題：

由於上課時間短（兩學分，每週兩小時），剛入學的學生對於專題目標還不清楚，因此在期末學習規劃上仍嫌不夠完備。
雖然有學習教練作為學生在學習規劃上的諮詢對象，但學生在修完創基課進入自主規劃的學習路徑時，忙於自身專題的同時往往會減少與教練會談的頻率，加上失去原有系所的人際網絡，在學習上容易覺得孤獨。
當我們缺乏一個更底層的邏輯去理解不同學門的相同之處、相異之點時，學生就會以現有學門的架構去理解它在課程中的學習內容，無形中反而鞏固了既有的學科邊界，失去跨領域學習的本意。

幾經討論，我們決定參考Minerva大學的做法，以「思考習慣」（Habits of Mind and Fundamental Concepts）的概念重新設計創基課。

所謂的Habits of Mind，指的是經過練習後得以自動觸發的認知技能；而Funamental Concepts則是能廣泛適用的基礎知識。Minerva的做法是將所有不同科系和領域中共同存在的思維習慣與基礎概念，轉換成約近百個 HC，並將它們分散在形式分析（Formal Analysis）、實證分析（Empirical Analysis）、複雜系統（Complex Systems）、多元模式溝通（Multi-modal Communication），這四門課程中教授。然後，這些HC會從大一一路評到大四，讓學生一而再、再而三的反覆練習，不像傳統大學一門課上完後可能就忘了內容。同時，他們也會要求學生「把某個複雜系統的HC應用多元模式溝通裡」，藉此幫助學生習慣融合不同的HC來解決問題。循此理念，我們以過去兩年的教學經驗為基礎，將龐雜的課程內容收斂成9個核心的HC如下表：

從左到右：個人到群體
從上到下：表面到深層
交叉之處：核心概念

我們將會在16週的課程中，按不同主題，循序漸進地讓同學藉著講授、討論、演講、工作坊等不同形式，理解並應用這9個HC。首先，我們會與台灣設計研究院前瞻研發組合作，以他們近期開發的「未來思考工具包」引導同學討論近未來的學習樣態，藉此作為設計思考這一課程主題的開場。讓學生在後續的設計發想實作中學習反思設計思考三個核心概念。然後，我們會用學生訪問學程學長姐的作業為開端，讓學生認識彼此，也練習訪談資料的解讀與比對。最重要的，是在這過程中體會「移地」是怎樣一種貼近現實、發展自主分析連結、推進研究的學習方式。接著，我們會從Artifacts、Research Community、Practice Community三者間迷人且複雜的社會網絡切入，討論我們要如何善用領域知識生產的典範差異，藉著設計共創進行跨域合作？並且連續三週地逼迫學生面對自己的專案題目與潛在合作社群。（驚）

最後，也最重要的，是我們會以去年所設計出來的「學習規劃」為模板來引導同學進行學習規劃。簡單的說，我們會讓同學把未來一年要進行的學習規劃置中，然後按部就班地思考要完成這學習目標所需要的資源、策略、合作者、外部社群，以及過程中的可能收獲與成本，從而對學習規劃有更具體的策略。畢竟，自主學習規劃是一個資源動員的過程，而且需要永續的經營模式。

新的學習，新的開始。不知道等走到年底，這門課的執行成果會是如何？但我自己是蠻期待這學期的調整的。也希望一切順利囉。

終於完成後台對接

2024-02-21T05:42:00.003+08:00

聽過星箭廣播的朋友大概都知道我一直習慣用Dropbox Paper作為課程平台，幾年下來，倒也摸索出自己的工作模式。不過，有鑒於Notion在大學生之間越來愈夯，所以我從去年開始也慢慢的把課程搬到上頭。順手之後，開始雞婆的把空白學程各委員會與必修課程的工作進度與會議紀錄也放上去，甚至以拐帶騙地推著同事也把他們主責的工作記錄放上來，過程中也一直在想要怎麼把這些事情跟行政辦的工作區對接才好。（是的，空白行政辦一直是用notion當成與學程學生的溝通前台、日常業務的工作後台）

因為用的是免費帳戶，雖然Notion在疫情期間對大學帳號有過一波權限優惠，但也只是在頁面權限與區塊數量上的優惠，真正有助於團隊協作的teamspaces功能並不在開放之列。我們也幾度算過如果真的要買服務下去，一個月的支出恐怕也不少。好巧不巧，一個月前偶然撇見APP左下角跳出一個「帳號優惠」的通知，點進去一看，是針對教育帳號的大放送，只要你說明想怎麼在日常的教育活動中使用這帳號、附上一個.edu網址（老師可以直接給自己在系上的個人頁面），就可以升級成Plus plan，然後使用teamspaces這功能。

於是，我們就開始一連串的測試、整合、迭代，終於在昨天順利的把兩邊的Notion後台對接起來，也把相關頁面整合在一起。現在的工作頁面如附圖，清清楚楚地將各種行政業務、課程業務、專案小組，甚至學生活動整理起來。之後不管是要開一個工作會議的頁面，或是把學生加進某門課程平台，只要在右上角的SHARE輸入對方的名字，他就被拉進來了。真是「挖坑更快，推坑更順」呢。

當然，唯一的限制與付費壓力，現在轉移到每個帳號可邀請的guests數目上。因為Plus plan的guests上限是100人，這表示如果我們的在學學生人數超過80人的話，我們就得付費升級了。啊，這瞬間變成我們協助學生快點畢業的壓力，甚至對外募集「定期定額、小額捐款」的動力呢。

以上，簡單記錄這專案的過程與心得。

社會設計導論：社會溝通如何可能？

2024-01-02T05:16:00.005+08:00

如果說，所謂「社會設計」（social design），指的是「一種設計實踐，其主要動機是促進社會內部積極的社會變革」，那2015年的「台北設計城市展」是社會設計這概念進入台灣社會民眾視野的關鍵時刻。自此以降，以社會設計為名的行動、倡議、策展遍地開花，不一而足，但這些活動也揭示了一個重要理念從發想到落地，是一個漫長的社會溝通的過程。就概念上來說，社會溝通至少包含三個要素：首先是讓大家相互了解現在這個議題是如何演進產生的，接著是共同描繪未來的願景，最後是一起把現狀與未來給連起來，討論現狀可以透過什麼路徑來達到理想的未來。但實務工作上，這些理念即使立意良善，仍需要藉著「技術物件」(technical objects)發揮拉攏與位移的作用，以改變行動者的日常實踐，否則往往會落入失敗。

「淨零轉型」(Net Zero Transition）正是如此。淨零(Net Zero)、負碳排(Carbon Negative)、碳中和(Carbon Neutral)，以及氣候中和(Climate Neutral)，這些氣候行動的目標要能落實成為改變產業行為、民眾習慣的政策，一方面仰賴「社會強健性知識」(Socially robust knowledge)的建立，讓各領域專業人士參與社會溝通，賦予政策強健的知識基礎；另一方面也應採取「行動取向的制度主義」(actor-centered institutionalism)，循序漸進設計出人民容易遵守的規定。但是，瞧，這前述這短短的150字多麼夾槓費解，讓人難以望文生義，更別說採取行動。

是以，這門課將「淨零轉型」視為一種社會溝通的社會設計過程。我們希望能打開設計的黑盒子，了解設計過程中相關行動者（包括設計師、研究者、使用者，甚至非人物種)的互動如何讓設計有了不同的樣貌？不同的行動者又如何反省溝通方式的不足之處？可能的行動策略又會是如何？

這門課程會在人、物、境的架構下，開展以下四個主題。

主題一，「穿過你的物件的我的手」。我們將以物件為起點，討論如何理解物件的社會意義？生產物件的組織又是如何運作？設計師近年為何又如何從物件背後現身？我們希望能在這階段讓同學在個人、物件、社會、環境之間能建立一個社會關係性的思考方式。

主題二，「休士頓，我們遇到問題！」。常見對設計的社會學式批判總是從消費與勞動入手，但其實設計領域的自我批判可一點都沒少過，我們將討論其中幾個關鍵的設計反思，包括：責任設計、參與設計、批判設計，並且搭配相關研究將設計方法與社會學研究連結在一起。

主題三，「讓事情發生」。雖然這門課不強調行動，但總是要知道行動前需要作哪些準備，所以我們將順著常見的社會設計方法，問題界定、技術創新、組織人群，討論內在的政治張力、行動兩難，甚至「人本設計」的盲點。

主題四，「社計就是再設計」。從主題三開始的最後一個月是我們的密集工作月。我們會讓同學以「淨零轉型」為議題，分組進行設計研究，重新設計淨零政策的社會溝通模式以開展研究反思（research through design），並且以「重新設計個人碳存摺」為設計挑戰。最後在創新設計學院期末D-Day進行成果發表。

[課程進度]

2/22：課程介紹：何謂社計？如何研究？

Cameron Tonkinwise. 2015. “Is Social Design a Thing?” in The Social Design Reader. (edited by Elizabeth Resnick). London: Bloomsbury Visual Arts. Pp.62~75.

主題ㄧ：穿過你的物件的我的手

2/29：物件的意義

Harvey Molotch，2018，《東西的誕生》（李屹譯），台北：群學。第1章。
Roberto Verganti，2018，《設計力創新》（呂奕欣譯），台北：馬可孛羅。第1章。

3/7：設計這一行

Victor Papanek，2013，《為真實世界設計：人類生態與社會變遷》（楊路譯），台北：五南。第2章。
Harvey Molotch，2018，《東西的誕生》（李屹譯），台北：群學。第2章。
Guy Juiler，2009，《設計的文化》（鄭郁欣譯），台北：韋伯。第2章。

3/14：設計的風土

Harvey Molotch，2018，《東西的誕生》（李屹譯），台北：群學。第6章。
Guy Juiler，2009，《設計的文化》（鄭郁欣譯），台北：韋伯。第3章。
Paul L. Knox，2019，《城市與設計》（徐苔玲、王志弘譯），台北：群學。第7章。

3/21：小組探索

去看「淨零城市展」
找一個你們想要深入，讓更多人知道的議題

主題二：休士頓，我們遇到問題！

3/28：責任設計

Victor Papanek，2013，《為真實世界設計：人類生態與社會變遷》（楊路譯），台北：五南。第9章。
Bruno Latour. 2009. “A Cautious Prometheus ? A Few Steps Toward a Philosophy of Design: (With Special Attention to Peter Sloterdijk).” Hackney, Fiona, Glynne, Jonathan, Minton, Viv. ”Net-works of Design”, Annual International Conference of the Design History Society, Sep 2008, University College Falmouth, Cornwall, United Kingdom. Universal Publishers, pp.2-10.
吳嘉苓，2015，〈永久屋前搭涼棚：災後家屋重建的建築設計與社會改造〉，《科技、醫療與社會》，第20期，頁09-74。

4/4：清明放假

4/11：參與設計

Lars Bo Andersen, Peter Danholt, Kim Halskov, Nicolai Brodersen Hansen & Peter Lauritsen. 2015. “Participationas a matter of concern in participatory design”, CoDesign, vol. 11:3-4, 250-261.
Cristiano Storni. 2015. “Notes on ANT for designers: ontological, methodological and epistemological turn in collaborative design”, CoDesign, vol. 11. 2-4, 166-178.
李梅君，2022，〈拼裝公民科技：黑客、鄉民、與資料行動主義〉，《科技、醫療與社會》，第35期，頁115-166。

4/18：服務設計

Lara Penin. 2018. An Introduction to Service Design: Designing the Invisible. London: Bloomsbury Visual Arts.
簡妤儒，2017，〈棄置的圍網和推不動的紙盤：產銷結構如何形塑技術物政治性〉，《科技、醫療與社會》，第25期，頁119-169。

4/25：專題演講（一）：推測設計與社會溝通（暫定）

講者：鄭雨停（荷蘭安荷芬互動設計博士 / 台大IoX中心博士後研究員）
參考資料：

https://medium.com/@ytflute
Malpass, Matt.，2019，《批判性設計及其語境》（張黎譯），南京：江蘇鳳凰美術。第2、3章。

主題三：讓事情發生

5/2：專題演講（二）：藝術、策展與社會溝通

講者：王欣翮（英國倫敦大學亞非學院藝術史與考古學系碩士 / 自由工作者）
參考資料：

https://artouch.com/authors/王欣翮

5/9：如何界定問題？

筧裕介，2013，《社會設計》（李凡譯），北京：中信。第3、4章。

5/16：技術意義現身

Roberto Verganti，2018，《設計力創新》（呂奕欣譯），台北：馬可孛羅。第4章。

5/23：組織相關群體

Ezio Manzini，2015，《設計，在人人設計的時代》（鐘芳、馬謹譯），北京：電子工業。第7章。

主題四：社計就是再設計

5/30：期末報告

6/6：課程檢討

[重要公告]

＊本課程初選不開放，欲選修同學需透過填寫「修課申請表單」提出申請。

＊表單開放時間為2024年1月3日～17日23:59，並預計1/19以電郵通知入選者（未入選者恕不另行通知）。

＊入選者在收到入選通知後需確認入選意願，且於第一次上課（2/22）出席者，取得授權碼加選。