這週有一條研究我看了很久：AI 讓學生的作業分數上升，但同一批學生的考試分數下降
這一句話幾乎把「AI 進教育」的核心矛盾全講完了——AI 幫你把「產出」做得漂亮，卻可能把「學會」這件事掏空 而作業是拿來練的，考試才是驗收你真的會不會
AI 模型 & 產品更新
Anthropic Claude Opus 5、Meta 一系列 Muse 模型持續在檯面 模型端這週沒有石破天驚的事，我反而把注意力放回「怎麼用」那一端 這也是我這半年越來越強的判斷：模型能力已經過剩，瓶頸在人會不會用、用得對不對，不在下一版強多少
「為什麼你的本地 LLM 感覺比實際笨」登上 HN 這條很實用 它講的是：很多人跑本地模型覺得爛，其實是量化、context、prompt 設定沒調對，不是模型本身不行 我很有感——工具的「感覺不好用」很多時候是設定問題不是能力問題，這在我用各種 AI 工具時反覆驗證
AI 開發工具 & Agent
Munder Difflin：一個能「開一整間你的分身辦公室」的 agent harness（HN 高分） 這個概念很誘人也很危險 讓一群「你的分身 agent」平行幹活，效率想像空間很大 但我這週剛好狠狠踩過這個坑——一次放出一堆 agent、卻沒人協調、沒有收斂條件，結果全部空轉、什麼都沒交出來 我的教訓是：agent 數量不是產能，協調跟收尾才是 沒想清楚「誰統籌、怎樣算完成」之前，開再多分身都是災難
Dan Shipper 寫「我們的 AI 成本跳了 230%，但我還不打算設 token 預算」 這條我一半同意一半警惕 同意的是：早期為了學會用 AI，成本先別掐太死 警惕的是：230% 是很陡的曲線，「還不設」跟「不用設」是兩回事，遲早要回頭算單位經濟
大神觀點
他寫了〈我的朋友都討厭 AI，而我剛加入一家 AI 新創〉 一個共同創辦 fast.ai、深耕十幾年的人，選在這個充滿反彈情緒的時間點回到 AI 場上 我讀到的是一種態度：越是集體情緒兩極的時候，越要靠自己的判斷決定站哪裡，而不是被氛圍推著走 這對我這種常被外界對 AI 的兩極看法拉扯的人，是很好的提醒
那篇「作業分數升、考試分數降」的研究我想放大講 它證實了我一直擔心的事：當 AI 太好用，學習裡「摩擦」的部分被拿掉了，而摩擦正是學會的地方 我做教育相關的東西時一直提醒自己——好的 AI 教學工具不是幫學生把答案生出來，是幫他們願意留在難的地方多待一會兒
創投 & 市場
a16z〈無國界創辦人的崛起〉、〈你最愛的創作者不是真人——這重要嗎〉 兩篇都在講同一個變化：地理與真實性的門檻正在被 AI 拉低 一個人可以無國界地創業、一個「創作者」可以不是真人 我把它讀成機會也讀成警訊——機會是獨立工作者的舞台變大了，警訊是「真實」會越來越需要被證明
AI 公司大規模銷毀實體書以取得訓練資料，有人呼籲搶救稀有書（HN 高分） 這條讓我不太舒服 為了餵模型而毀掉實體原件，是一種很短視的取捨 它也呼應前幾週那條「AI 吃掉網路集體記憶」——我們正在為了 AI 的養分，消耗掉一些不可逆的東西
我的觀察
這週把幾條線疊起來，主軸是一個字：摩擦
- 教育：AI 拿掉學習的摩擦 → 作業變好、真的會的變少
- 資料：AI 為了養分毀掉實體原件 → 拿掉了「保存」的摩擦
- Agent：一次放一堆分身 → 拿掉了協調的摩擦，結果全空轉
我這週親身體會到——有些摩擦是必要的 學習需要卡關的摩擦，協調需要收斂的摩擦 AI 最迷人也最危險的地方，就是它太會幫你把摩擦拿掉，讓你誤以為事情做完了，其實只是變快了、沒變對
行動建議
- 用 AI 學東西時，刻意留一點摩擦 讓 AI 當提問者、檢查者，別讓它直接給答案，不然作業漂亮、腦袋空的
- 開多個 agent 前，先定「誰統籌、怎樣算完成」 沒有協調與收斂條件，分身越多災難越大（這週我親身踩過）
- 本地模型覺得笨，先查設定再怪模型 量化、context、prompt 常是真兇
- AI 成本可以先寬鬆，但要知道曲線 「還不設預算」跟「不用算帳」是兩回事
參考來源
RSS Digest：見 research/digests/2026-W34.md（本週 284 篇，來自 Hacker News、Anthropic、Meta AI、fast.ai、a16z 等）