從「解題示範者」走向「思考教練」
生成式 AI 的快速發展，正在迫使數學教育重新面對一個過去很少需要認真回答的問題：
如果學生隨時可以請 AI 解題，那麼他為什麼還需要數學老師？
過去，教師掌握知識、解法與標準答案；學生的主要任務，是聽懂教師的說明、模仿解題方法，再透過練習達到熟練。但今天，一個學生只要拍下題目，就可能在數秒內得到解答、步驟、圖形、替代解法，甚至個人化的說明。
因此，AI 對數學教育最大的衝擊，不只是「多了一個教學工具」，而是改變了教師與學生原本的知識關係。
未來數學教師真正需要轉型的，不是從「不會使用 AI」變成「會使用 AI」，而是從：
知識與解法的提供者，轉型為學生思考歷程的設計者。
一、傳統數學課堂的核心：教師示範，學生模仿
傳統數學教學有一套非常清楚的邏輯：
概念講解 → 例題示範 → 學生模仿 → 大量練習 → 測驗評量
例如教授二次函數時，教師可能先介紹：
- 二次函數的標準形式
- 頂點與對稱軸
- 開口方向
- 圖形平移
- 求最大值與最小值的方法
- 相關公式的背誦與直接使用（如頂點公式、判別式等）
接著教師示範三到五個例題，再讓學生完成類似題型。
在傳統教學中，公式往往被視為「可直接套用的工具」，學生需要記憶並熟練使用，以提升解題速度與正確率。
這樣的模式並沒有錯。
事實上，在需要建立基本技能、符號操作、運算熟練度與標準數學語言時，教師直接教學仍然非常重要。
但過去這套模式之所以合理，是建立在一個重要前提上：
學生取得解法的主要來源是老師與課本。
然而 AI 改變了這個前提。
今天學生可能在老師講第一題之前，就已經讓 AI 解完十題。
更重要的是，AI 不只會「使用公式」，還能：
- 推導公式來源
- 解釋公式的幾何或代數意義
- 提供不同證明方式
- 比較不同公式的適用條件
也就是說，AI 可以把原本被「記憶化」的公式，重新還原為「理解化」的知識。
因此，如果一堂數學課最大的價值只是：
「告訴學生這一題怎麼算、公式怎麼用。」
那麼教師很容易被學生感受到：
「這件事情 AI 也會，而且 AI 比老師快。」
這才是真正值得數學教育工作者警覺的地方。
二、AI改變的不是「解題速度」，而是數學學習的分工
AI 時代的數學課堂，需要重新思考一件事：
哪些事情應該交給 AI？哪些事情一定要留給學生的大腦？
AI 非常適合處理：
- 產生練習題
- 提供不同難度題目
- 計算
- 繪圖
- 檢查答案
- 提供提示
- 轉換表達方式
- 解釋學生不懂的步驟
- 提供第二種、第三種解法
- 協助推導公式來源與證明結構
但是，有些工作不應該輕易外包，例如：
- 判斷題目到底在問什麼
- 選擇適合的方法
- 發現條件是否充分
- 比較不同解法
- 判斷 AI 的答案是否合理
- 發現錯誤
- 建立猜想
- 提出反例
- 解釋為什麼
- 將數學模型與真實世界連結
- 決定什麼資訊值得相信
因此，未來數學教育的重要問題，不再只是：
「學生會不會算？」 「學生知不知道什麼時候該算？」 「為什麼這樣算？」 「有沒有別的方法？」 「AI 算出的答案可信嗎？」 「如果 AI 錯了，你看得出來嗎？」 「公式是怎麼來的？能不能被證明？」
這些能力，才是 AI 不容易取代的數學素養。
三、從「解題課堂」轉向「思考課堂」
傳統課堂通常從答案開始設計。
教師先知道標準解法，再把學生一步一步帶向答案。
AI 時代可以反過來：
先讓學生觀察、猜想、比較、質疑，再進入計算。
例如一道幾何問題，傳統教學可能是：
教師畫圖 → 列公式 → 代入 → 得答案
AI 時代可以改成：
先讓學生觀察圖形，問：
- 你看到了什麼？
- 哪些條件可能重要？
- 哪些資訊可能其實沒有用？
- 如果拿掉一個條件，答案還成立嗎？
- 你預測答案大概是多少？
- 有幾種不同方法可以處理？
- 這些方法背後各自依賴哪些公式？
接著才讓學生使用 AI。
這時候 AI 的角色就不再是「答案機器」，而變成：
第二個思考者。
學生可以問 AI：
請提供兩種不同方法，但先不要告訴我答案。
或者：
這是我的解法，請找出最可能出錯的一步，但不要直接修改。
甚至：
請故意提供一個看似合理、但有一個邏輯錯誤的證明，讓我找出錯誤。
或更進一步：
請解釋這個公式是如何推導出來的，並說明它成立的條件。
這時候，AI 才真正進入學習，而不是取代學習。
四、AI時代可以建立的數學教學模組
AI 不應該只是偶爾穿插在課堂中的工具，而可以被設計成固定的教學模組。
以下是一個適合數學課堂的五階段架構。
模組一：先想，再問 AI
第一個原則非常簡單：
學生必須先留下自己的思考痕跡，才能使用 AI。
例如要求學生先寫下：
- 我認為題目在問什麼
- 我預測答案範圍
- 我準備使用什麼方法
- 我卡住的位置在哪裡
- 我記得哪些相關公式？它們可能如何推導？
之後才開放 AI。
模組二：AI作為提示者，而不是解答者
教師可以教學生改變提問方式。
不要問：
幫我解這題。
而問：
給我第一個提示。
我目前做到這裡，下一步應該思考什麼？
不要告訴我答案，請問我一個問題幫助我繼續。
這時 AI 扮演的是：
Socratic Tutor——蘇格拉底式家教。
學生仍然是解題者。
模組三：多重解法與公式理解比較
AI 最大的教學優勢之一，是能快速產生多種觀點，甚至不同公式推導方式。
例如一道微積分題，可以要求 AI：
請提供三種方法解這題，並說明各自使用的公式來源。
學生接下來的任務不是抄答案，而是分析：
- 哪一種最直觀？
- 哪一種最有效率？
- 哪一種最容易推廣？
- 哪一種最容易出錯？
- 不同方法背後用了什麼數學概念？
- 這些公式是如何被推導出來的？
數學學習於是從：
會一個方法
提升到：
理解方法之間的關係與公式的本質來源。
模組四：AI錯誤偵探
另一個非常值得發展的課堂活動，是：
刻意讓 AI 出錯。
教師可以要求 AI 產生：
- 一個錯誤證明
- 一個錯誤計算
- 一個錯誤公式推導
- 一個似是而非的數學敘述
學生的任務是：
- 找出第一個錯誤
- 說明為什麼錯
- 修正錯誤
- 解釋錯誤可能來自什麼迷思
這類活動非常重要。
因為未來學生真正需要的能力，很可能不是：
「我能不能得到答案？」
而是：
「面對一個看起來很像答案的東西，我能不能判斷它？」
模組五：人類最後判斷
最後一個階段應該把控制權重新交回學生。
可以要求學生回答：
AI 的回答我接受嗎？為什麼？
例如：
- 我接受它的計算，但不同意它的公式推導
- 它的答案正確，但方法過度複雜
- 它忽略了一個定義域限制
- 它的模型在數學上成立，但現實假設不合理
這個階段培養的是 AI 時代極重要的能力：
Judgment——判斷。
五、教師的新角色：不是答案提供者，而是學習教練
AI 出現之後，教師的價值並沒有消失。
但教師的價值來源正在改變。
以前學生需要老師，可能是因為：
「老師知道答案。」
未來學生需要老師，更可能是因為：
「老師知道我應該學什麼。」
「老師知道我真正卡在哪裡。」
「老師知道這個公式我只是會用，但其實不理解。」
「老師知道下一個問題應該問什麼。」
這就像運動教練。
世界級運動員的速度可能比教練快、力量可能比教練強，但他仍然需要教練。
因為教練的重要功能不是：
替選手比賽。
而是：
觀察、診斷、回饋、設計訓練。
未來數學教師也可以如此。
六、AI也讓分層教學第一次真正變得可行
一個高中數學班級可能同時存在非常大的程度差異。
傳統課堂很難處理：
- 程度好的學生覺得太慢
- 程度弱的學生又覺得太快
AI 可以成為教師進行分層教學的重要助手。
例如同一個數學概念，可以設計：
基礎層
- 概念理解
- 基本計算
- 逐步提示
標準層
- 典型問題
- 應用問題
- 錯誤分析
進階層
- 證明
- 一般化
- 反例
- 模型建立
甚至讓程度較好的學生問：
「這個公式可以推廣到什麼情況？它的證明能否一般化？」
程度需要支持的學生則問：
「請用高中生聽得懂的方式重新解釋這個公式的由來。」
因此教師不再需要讓所有學生：
同一時間、同一速度、做同一道題。
這可能是 AI 對數學教育非常重要的一次結構性改變。
七、但最大的危險，是教師帶頭「大腦外包」
然而，AI 教育最值得警惕的問題，也恰恰發生在教師使用 AI 的方式。
例如教師可能開始：
- 叫 AI 備課
- 叫 AI 出題
- 叫 AI 做簡報
- 叫 AI 寫講義
- 叫 AI 產生答案
- 叫 AI 批改
最後教師只剩下一個動作：
複製、貼上。
這會產生一個非常危險的示範。
學生看到的不是：
「老師如何利用 AI 思考。」
而是：
「老師自己也不思考。」
如果教師每次遇到問題第一個反應都是問 AI，那麼學生學到的自然也是：
遇到問題 → 問 AI
久而久之，很容易形成：
Problem → AI → Answer
而不是：
Problem → Think → Explore → AI → Evaluate → Answer
這就是所謂的 認知外包（Cognitive Offloading）。
認知外包本身並不一定是壞事。
人類本來就會把部分工作交給計算機、字典、搜尋引擎、試算表與各種數位工具。
真正重要的問題是：
我們究竟把哪一部分思考外包給 AI？
如果外包的是重複計算、資料整理與機械性的工作，AI 可以釋放學生更多時間進行高層次思考。
但如果連理解、推理、判斷、驗證與反思也一起外包，學生失去的就不只是解題練習，而是思考能力本身的練習機會。
八、另一個教師常犯的錯誤：努力證明AI多厲害
很多教師第一次把 AI 帶進課堂時，很容易進行：
AI 魔術秀。
例如展示：
「你看！AI 可以解這題。」
「AI 十秒就做完。」
「AI 還可以推導公式。」
「AI 甚至可以出考題。」
學生往往很驚訝。
但這種展示如果太多，可能帶來一個反效果：
學生不是更需要老師，而是更覺得不需要老師。
因為教師無意間一直在證明：
AI 比老師快。
甚至學生最後可能得到另一個結論：
「既然老師也是問 AI，我為什麼還要透過老師？」
因此 AI 教育真正重要的，不是展示：
「AI 能做什麼？」
而是讓學生體驗：
「AI 做得到，但我仍然需要思考。」
甚至更進一步：
「因為 AI 很強，所以我的判斷能力反而更重要。」
九、不要讓 Prompt Engineering 取代 Mathematics
另一個值得注意的現象是，教師很容易把 AI 教育變成「Prompt 教育」。
於是課堂開始大量教：
- Prompt 模板
- 指令格式
- 角色設定
- 提示詞技巧
這些當然有用。
但對數學教育來說，更重要的問題不是：
「你會不會問 AI？」
而是：
「你知不知道該問什麼數學問題？」
例如，一個學生不知道什麼是極限，他很難提出好的極限問題。
一個學生不理解公式來源，也很難要求 AI 做出有意義的推導。
一個學生不知道什麼叫做反例，他甚至不知道應該要求 AI：
「請找出一個讓這個命題不成立的例子。」
因此 Prompt 的品質，其實高度依賴：
數學理解本身。
所以真正應該培養的，不只是 Prompt Engineering，而可以稱為：
Question Engineering——問題設計能力。
真正重要的問題不是：
「Prompt 要怎麼寫？」
而是：
「什麼問題值得問？」
十、AI時代真正重要的數學能力可能正在改變
過去我們常把數學能力理解成：
計算能力。
後來逐漸加入：
理解、應用、推理。
到了 AI 時代，可以再加入：
- 公式理解與推導能力
- 模型建構能力
- 判斷 AI 推導是否合理的能力
- 評估資訊可靠性的能力
以及以下幾項核心思考能力：
觀察
我看到了什麼？
區分
哪些概念看起來相似，但其實不同？
猜想
我認為可能的規律是什麼？
推理
為什麼？
驗證
這個答案真的成立嗎？
反例
什麼情況下它不成立？
比較
不同方法有什麼差異？
建模
真實世界如何轉換成數學問題？
判斷
這個 AI 回答值得相信嗎？
因此，AI 時代的數學教育並不是降低思考要求。
恰恰相反。
因為答案取得變得容易，
判斷答案與理解公式來源的能力反而變得更加重要。
十一、未來的數學課堂，可以是一張「AI課堂地圖」
教師可以把一堂課設計成不同的 AI 使用權限區域。
第一區：No AI
學生獨立：
- 觀察
- 估算
- 猜想
- 提出初步方法
此時不允許使用 AI。
第二區：AI Hint
學生可以詢問 AI：
- 提示
- 引導問題
- 概念解釋
但不能要求完整解答。
第三區：AI Collaboration
學生可以與 AI：
- 比較不同解法
- 討論公式來源
- 尋找替代策略
- 進行數學對話
第四區：AI Challenge
學生反過來挑戰 AI：
- 找錯誤
- 找漏洞
- 找反例
- 檢查不完整推導
- 檢驗假設
第五區：Human Judgment
最後由學生自己完成：
- 結論
- 驗證
- 解釋
- 判斷
- 反思
也就是：
No AI → AI Hint → AI Collaboration → AI Challenge → Human Judgment
這樣的課堂設計，比單純規定「可以使用 AI」或「禁止使用 AI」更接近學生未來真正需要面對的世界。
因為未來真正重要的能力，不只是：
會不會使用 AI。
而是：
知道什麼時候該使用 AI，以及什麼時候不能把思考交給 AI。
十二、AI時代教師真正不可取代的地方
AI 可以解一道數學題。
但 AI 很難知道：
這個學生現在最需要理解的是哪個公式、哪個概念。
AI 可以提供十種解法。
但教師需要判斷：
哪一種最適合這個班級目前的理解層次。
AI 可以產生一百題練習。
但教師需要知道：
哪五題真正能改變學生的數學理解。
AI 可以推導公式。
但教師能看出：
學生到底是「會用公式」，還是「理解公式為何成立」。
因此，未來教師的專業可能逐漸從：
Content Delivery
轉向：
Learning Design
再進一步轉向：
Thinking Coaching
也就是從：
內容傳遞者 → 學習設計者 → 思考教練
結語：當AI負責回答，教師更應該負責提問
AI 時代真正值得數學教師思考的，不是：
「AI 會不會取代數學老師？」
而是：
如果 AI 已經能回答問題、推導公式、甚至證明定理，數學教師應該教學生什麼？
答案可能是：
不要只教學生「使用公式得到答案」。
而要教他們：
- 如何理解公式的來源
- 如何提出問題
- 如何選擇方法
- 如何辨識錯誤推導
- 如何比較不同證明
- 如何驗證結果
- 如何形成判斷
因此，AI 時代的數學教師，不應該只是更有效率地「教答案」。
而應該成為：
思考環境的設計者、知識結構的引導者，以及學生理解公式與推理的教練。
當 AI 越來越擅長回答問題時，教師真正珍貴的能力，反而是：
知道下一個值得學生思考的問題是什麼。