生成式 AI 的出現正快速改變人類取得知識的方式，過去遇到不懂的問題，你可能需要翻書、搜尋資料或詢問專家，如今只要打開 AI 工具，極短時間內就能獲得整理好的答案。當知識幾乎隨手可得，不禁讓人思考，人類是否還有必要將知識背進腦中？
美國奧克蘭大學工業與系統工程系特聘教授 Barbara Oakley 近期在美國費城舉行的國際數學家大會 ICM 2026 參與數學教育座談時，就有談到這項問題。Oakley 在相關發言中強調「記憶是絕對必要的」，即使 AI 能隨時提供答案，人類仍不能因此放棄建立自己的知識基礎。
Oakley 的論點主要來自她與 Michael Johnston、Ken-Zen Chen、Eulho Jung 及 Terrence Sejnowski 共同撰寫的研究 The Memory Paradox: Why Our Brains Need Knowledge in an Age of AI，這個研究聚焦一個看似矛盾的現象：在外部工具愈強大，人類就可以記得愈少，但如果什麼都交給外部工具來處理，人類用來理解、判斷與學習的能力也可能因此受到影響。
記住答案不是目的 建立大腦中的連結才是關鍵
Oakley 的核心觀點在於，學習並不是把一份資料像檔案一樣存進腦袋。
人類大腦約有 860 億個神經元，當你在學習新事物時，最重要的是讓相關神經元活動彼此產生連結。這篇論文將記憶留下的生理痕跡稱為記憶痕跡 (engram)，當人們學習一項新知識或經歷某件事情，相關神經元會共同活化，彼此之間的連結逐漸增強，讓這段資訊真正被大腦記住。
新的記憶同時還會與原本就已經掌握的知識產生連結，逐漸形成論文所稱的知識架構 (schema)。
Photo Credit by The Memory Paradox: Why Our Brains Need Knowledge in an Age of AI
因此，一個真正理解某個領域的人，腦中並不是存放大量彼此無關的知識碎片，而是建立起一套可以互相連結的架構。碰到新資訊時，大腦可以快速判斷它和既有知識有什麼關係，也能利用過去的經驗來預測什麼答案合理、什麼地方可能存在問題，而這就是專業能力與批判性思考的重要基礎。
知道去哪裡找答案 不等於真正知道答案
AI 時代最容易產生的一項錯覺，就是把知道去哪裡找到答案誤認為知道答案。
研究中把這種現象稱為認知卸載（cognitive offloading）。電子計算機、Google 搜尋、智慧型手機到現在的生成式 AI，其實都是把原本需要人腦記憶或經由人腦處理的工作轉移到外部的工具，而且人類原本就會利用筆記、書籍、行事曆等工具來減輕認知負擔，所以利用外部工具並不代表就不好，問題在於究竟卸載了什麼。
研究指出，當人們每次遇到問題都習慣直接查詢外部工具時，腦中留下的就可能不是知識本身，而僅是知道這個東西能在哪裡找到，就像是索引一樣，論文中將此形容為一種 biological pointer，意思是讓人覺得自己知道某件事情，實際上卻沒有形成足以支撐理解的知識架構。
Google 時代所謂的 Google Effect 也是類似的現象，就是指當人們知道某項資訊日後仍能再次取得時，往往更容易記住去哪裡找到它，而不是資訊本身。而生成式 AI 的出現讓這件事又往前一步發展，現在你甚至不需要知道要去哪裡找答案，只需要把問題交給 AI 就好。
沒有自己的知識要如何判斷AI答錯了
批判性思考通常被視為一種可以獨立訓練的高階能力，但這篇研究的論點恰好相反，這個研究認為如果腦中沒有足夠的既有知識，其實很難真正進行批判性思考，其中一個原因來自大腦的預測錯誤（prediction error）機制。
假設一個人早已熟悉九九乘法，計算機突然顯示 5 × 10 = 500，即使還沒重新計算，第一時間也會感覺這個答案有問題，原因在於大腦原本就已經建立一套內部模型，外部答案和預期不符時，就會產生錯誤訊號。
Photo Credit by The Memory Paradox: Why Our Brains Need Knowledge in an Age of AI
反過來說，如果一個人從未內化相關知識，就會缺少可以拿來比較的基準。研究以基本數學為例指出，若學生始終依賴計算機，可能沒有形成足夠的數感，如此一來當工具輸出錯誤答案時，也比較難立刻察覺到問題。
而大型語言模型產生的答案即使有錯，通常也寫得非常流暢、完整且極具說服力，如果使用者本身沒有相關領域的知識架構，就會很難判斷答案究竟是否合理。
因此這篇論文提出一項看似矛盾的結論：真正能把 AI 用得好的人，反而需要擁有更多內部知識。
因為這些使用者知道應該問什麼，也有能力檢查 AI 的答案、發現遺漏、修改提示內容，並把新資訊和原有知識整合。研究認為，有良好內部知識架構的人能把 AI 當成能力放大器；反觀對相關領域還沒有足夠知識的人，則比較容易把 AI 表現出的流暢程度誤認為自己的理解。
AI讓作業做得更好 不代表真的學得更好
這篇論文也整理了多項生成式 AI 與學習相關研究，指出短期成果與真正學會一件事情並不一定相同。
其中一項大學生寫作實驗比較 ChatGPT、人類教師、基本工具以及沒有輔助工具等不同情況。使用 ChatGPT 的學生雖然能完成品質較高的文章，但後續測驗時並沒有呈現相對應的知識提升，研究者將其中部分現象稱為後設認知惰性（metacognitive laziness）。
論文還引用了 MIT 團隊針對 AI 輔助寫作進行的研究，指出從一開始就使用 ChatGPT 的受試者，在部分與專注及記憶有關的腦部連結指標上較弱，也比較難回想自己寫過的內容；相較之下，先自行寫作、之後才使用 AI 的組別呈現較強的認知投入。這些研究目前仍在持續累積研究證據，尚未證明 AI 一定會讓人變笨，但這些研究真正想指出的是，如果 AI 直接取代原本應由學習者進行的回想、犯錯、修正與重新組織知識過程，最後得到了一個漂亮答案，並不代表這些知識已經進入使用者自己的長期記憶。
大腦其實有兩套不同的學習系統
論文也從神經科學角度區分陳述性記憶（declarative memory）與程序性記憶（procedural memory）。
Photo Credit by The Memory Paradox: Why Our Brains Need Knowledge in an Age of AI
陳述性記憶負責人們能夠有意識回想的知識，例如單字、歷史事件或數學公式；程序性記憶則是與經過大量練習後形成的自動化能力有關，例如騎腳踏車、彈奏樂器，或者熟練到不需要逐步思考的心算。
真正的熟練往往需要從一開始的我知道怎麼做，逐漸變成我不用刻意思考也知道怎麼做。反覆的練習與回想，就是促成這項轉換的重要過程。
以乘法為例，一開始你可能需要刻意記住 4 × 3 = 12，但經過大量使用後，答案幾乎可以立即浮現。這種自動化不是浪費腦容量，反而能夠減少工作記憶處理基本步驟的負擔，讓更多認知資源留給更複雜的推理。如果連原本需要自己反覆練習、熟悉的內容都交給 AI 或其他工具，雖然仍可能完成眼前任務，卻不一定能建立同樣程度的直覺與熟練度。
所以AI時代到底還要不要背東西呢 ?
Oakley 等人的答案並不是所有東西都要背。
研究也明確指出，認知卸載本身並非負面行為，真正需要區分的是哪些知識會是思考其他問題的基礎，哪些資訊則可以放心交給外部工具保存。
對學習者來說，數學基本運算、字彙、科學概念、重要公式以及專業領域的核心知識，仍有必要透過反覆回想與練習建立長期記憶。研究也建議利用間隔重複（spaced repetition）等方式強化這些基礎，而不是只追求機械式死背。至於 AI 則更適合在學習中扮演提示、回饋、檢查與補充資料的角色。例如你可以先嘗試自己解題，再請 AI 檢查；先自行寫出答案，再請 AI 幫你找出不足之處；或者讓 AI 對你提問，而不是一開始就向AI直接要求完整解答。
這樣的設計可以保留學習者需要經歷的思考與記憶過程，也能同時發揮 AI 即時回饋與輔助個人學習的優勢。
AI愈強人類腦中的知識反而愈重要
CyberQ 認為，人類沒有必要和 AI 比誰懂得更多或誰能繼更多東西，搜尋某個日期、查詢大量文件或進行複雜整理，這樣的事情本來就適合交給電腦。但如果連支撐理解、判斷與推理的基礎知識也完全外包，就會出現另一個問題，當 AI 給出答案時，我們還剩下多少能力判斷它是對是錯呢？因此，論文最後還將記憶形容為是人類自己的個人知識庫( personal knowledge bank) 。
從這篇論文可知，在生成式 AI 可以隨時產生答案的年代，記憶並沒有因此失去價值，反而成為決定人類能否有效使用 AI 的底層能力，這也讓AI 時代是否還需要背東西有了更精確的答案。
本文首圖由 AI 生成
