創辦理念與教學哲學

AI 越來越強的時代，我們想讓孩子真正學會「怎麼學」

我們一直在思考一件事情：

孩子一天真的還需要再多坐著聽一堂課嗎？

一個孩子在學校裡，可能已經坐著聽了 7、8 個小時。放學之後，再到補習班坐著聽 2、3 個小時。如果孩子在學校已經聽懂了，為什麼還要再到補習班聽一次？如果孩子在學校沒有聽懂，到了進度更快、人數更多的補習班，就真的會突然聽懂嗎？這幾年，這個問題後面又多了一個問題。

學生在教室裡問老師：

「AI 都會了，我幹嘛還要學？」

家長問的是另一句：

「世界變得這麼快，我的孩子以後跟得上嗎？」

我們的答案沒有變，只是變得更急：

學習真正缺少的，往往不是更多「被教的時間」，也不是更多答案，而是更多「自己動手學會的時間」。

這是伴伴辦學成立最重要的原因。也是 AI 來了以後，我們更確定的一件事。

AI 來了以後，書桌前有兩種孩子

晚上九點半，我們最常看到兩種書桌。第一種孩子，連開始都沒辦法。課本攤開四十分鐘，作業簿上還沒有第一個字。他不是不想寫。上了一整天的課，輪到自己動手，他不知道從哪裡開始。第二種孩子，八分鐘就寫完了。把題目丟給 AI，整頁的解答就出來。照著抄，作業簿上寫得滿滿的。寫的不是她。答案對不對、適不適合她這個年級，她也不知道。

這兩種孩子看起來相反，缺的其實是同一件事：

自己動手、自己想過一遍的經驗。

而且這不是少數孩子的事。

老師看得見，孩子自己看不見。這是我們最擔心的地方。

作業寫完了，不等於學會了

有人認真量過這件事。

所以分數變高，不代表孩子變強。分數變高的，可能是 AI。考卷上的，才是孩子。

但這些研究同時也說了另一件事：

問題不在 AI，在誰替誰寫。

用對地方，AI 是老師和家長的好助手：幫大人看懂孩子現在學到哪裡、卡在哪裡。讓它直接替孩子把作業寫完，才是問題。而且一般的 AI 不是為孩子做的。答案不一定對，講法不一定適合這個年紀，內容也不一定對得上課綱。畢竟它只是個工具，不會在意孩子到底怎麼學。照常花時間自己寫的孩子，掉得很少。被設計成帶著孩子想的 AI，沒有讓孩子退步。

這兩件事，後面都會再講。

學習就像健身：誰舉，肌肉長在誰身上

我們常常用健身來比喻學習。假設今天你找到全世界最厲害的健身教練。他的專業知識非常豐富、動作非常標準，每一個要點都講得清清楚楚，也替你設計了一套完美的健身計畫。可是每一次上課：教練做深蹲，你坐在旁邊看。教練重訓，你坐在旁邊聽。教練流汗，你負責做筆記。三個月後，肌肉會長在誰身上？答案很清楚。

一定是那個真正動手去做的人。

教練再厲害，也沒辦法替你長肌肉。老師再會教也一樣。孩子沒有自己拿起筆、自己想過、自己練到那個量，再好的課都是白費。現在還有一種更省事的做法。連教練都不用，讓機器替你舉。重量每天都有動，紀錄表漂漂亮亮。肌肉一點也沒長。讓 AI 把作業寫完，就是這麼一回事。學習也是完全一樣。老師講得再精彩、AI 答得再快，真正需要理解、思考、犯錯、修正與重新組織知識的人，永遠是孩子自己。

所以伴伴相信：

手開始做，腦才真正開始學。

這不只是我們的比喻。OECD 的 PISA 創辦人 Andreas Schleicher 在 2026 年 9 月受訪時，用的是同一個說法：（Jones & Walker, 2026）

光看別人運動，體能不會變好。要自己下場，才會。學習也是一樣。

伴伴的一堂課，孩子不是坐著聽，而是不斷動手、動腦、被提問

因此，在伴伴的一對一學習過程中，我們刻意降低長時間單向講授。

孩子必須不斷：

• 動手解題
• 回答問題
• 表達自己的想法
• 說明為什麼這樣做
• 找出自己卡住的位置
• 修正錯誤
• 再做類似問題
• 驗證自己是不是真的理解

而學習教練的角色，不是站在前面一直講。

而是在旁邊不斷觀察：

透過這樣反覆的：

做→錯→找原因→調整→再做→驗證

孩子練習的就不只是某一道數學題。

他真正訓練的是：

理解能力、問題分析能力、學習方法與自我修正能力。

而這些能力，才是真正可以跟著孩子一輩子的能力。

學習教練：伴伴的「伴」，就是這個人

重訓的時候，旁邊會站一個人。他不替你舉。他在你撐不住的那一下，接住你。伴伴這個名字，說的就是這個人。在伴伴，他叫學習教練。他不是站在前面講課的老師，也不是坐在旁邊看孩子寫的陪讀。我們認為，真正好的學習教練，其實很像私人健身教練。私人健身教練的價值從來不是陪你在健身房待一個小時。

而是幫助你：

• 評估目前狀態
• 設定合理目標
• 規劃訓練課表
• 教正確的方法
• 管理訓練節奏
• 追蹤身體數據
• 在需要時調整計畫
• 在想放棄的時候提供支持
• 最後讓你建立可以長期維持的生活習慣

伴伴的學習教練，也是相同的概念。而且，他一直在旁邊。他不只是教孩子「這一題怎麼算」。而是幫助孩子慢慢建立一套可以持續進步的學習方式。

先設定一個孩子真的做得到的目標

我們不會只是告訴孩子：「你下次要考 90 分。」而是根據孩子目前的位置，把目標拆成真正可以完成的步驟。

例如：

• 先補完三個最重要的知識斷點
• 每天穩定完成 25 分鐘有效學習
• 提高錯題第二次答對率
• 逐步減少提醒次數
• 從這次 65 分，先穩定提升到 75 分

因為孩子需要的，不是一個遙不可及的要求。

而是：

一個又一個「我做得到」的成功經驗。

每天固定一點點：習慣比意志力可靠

舉一次，肌肉不會長出來。要明天再來，後天再來。練過的人都知道，難的不是那一下。是明天還想不想再來。對那個連第一個字都寫不下去的孩子，最難的是坐下來的那一下。所以伴伴先把每天的份量排好。小小的，做得完。放學打開平板，今天要練的已經在那裡。做完，蓋一個章。每一組都是一關，過了，下一關才會打開。過關有金幣，連續不斷有徽章。

金幣可以換頭像、換獎品；獎品有平台準備的，機構也可以放上自己的。家長可以放心的是順序：獎勵永遠排在今天的練習後面。我們不避諱這件事：一開始，孩子是為了獎勵回來的。但我們也很清楚，獎勵只是起點，不是終點。

所以伴伴對獎勵的看法是：獎勵用來讓孩子願意坐下來。

讓孩子留下來的，要是另一件事：

昨天弄懂了一題，今天想再弄懂一題。

這也是為什麼，孩子在伴伴看得到的不只是金幣。還有自己今天做完了什麼、哪一關過了、哪個地方從不會變成會。

根據孩子狀態安排個人化學習訓練菜單

私人健身教練不會讓所有人做完全相同的重量與動作。學習也不應該如此。

伴伴會根據孩子的：

• 年級
• 學校進度
• 教材版本
• 知識點掌握程度
• 答題狀況
• 錯題紀錄
• 學習速度
• 歷史表現

動態安排適合孩子的學習內容。所以真正的個人化，不只是每個孩子有一個帳號。

而是：

每個孩子每天做的事情，本來就應該不一樣。

不是一直刷更多題，而是找出孩子真正卡在哪裡

傳統教學很常發生一個問題：孩子分數運算不會。於是老師再給他 20 題分數運算。孩子一元二次方程式不會。於是再給他一張一元二次方程式考卷。

但問題是：

孩子現在不會的這一題，不一定是現在這個章節造成的。

例如一個孩子一元二次方程式一直出錯，真正的問題可能不是一元二次方程式本身。

可能來自更早以前的：

• 正負數
• 四則運算
• 分數運算
• 公因數與公倍數
• 因數分解
• 未知數概念
• 一元一次方程式

如果根本原因沒有處理，再讓孩子多做 50 題，只是在重複犯同樣的錯。

所以伴伴真正想做的是：

不是告訴孩子「你錯了」，而是找出「你為什麼會錯」。

把台灣課綱拆解成 AIMii 可以理解的知識地圖

這件事情，是伴伴非常重要的技術基礎。伴伴的團隊由具有超過 20 年台灣教育科技經驗的專業團隊組成。我們不是單純把題目放進系統。

而是把台灣 K–12 的學習內容進一步拆解成：

• 年級
• 學期
• 章節
• 單元
• 知識點
• 先備知識
• 後續知識
• 題型
• 難易度
• 學習關聯

因此，當孩子現在答錯一道題時，系統不是只能再出同一章的題目。AIMii 可以沿著知識關係往前追。

例如：

1. 國二的題目做錯
2. 發現國一某個代數概念不穩
3. 再追到國小的分數或負數觀念
4. 降低難度重新驗證
5. 找到真正的學習斷點
6. 補強後再逐步升回目前年級

這才是我們認為真正有意義的個人化學習。

自動升降難度，讓孩子一直處在剛剛好的挑戰裡

太簡單，孩子只是重複自己已經會的東西。太難，孩子會不斷挫折。真正有效的學習，應該介於兩者之間。

因此伴伴會根據孩子即時的答題狀況：

• 答得穩定→提高難度
• 開始不穩→增加驗證
• 連續錯誤→降低難度
• 發現基礎斷點→回到前置知識
• 補強完成→再逐步升階

也就是：

孩子不是跟著班級進度跑，而是系統跟著孩子的能力走。

這也回答了 AI 的問題。AI 把題目變得毫不費力，就把那一段有用的吃力，一起拿掉了。

錯題不是訂正完就算了，而是確認孩子真的學會

傳統的錯題處理通常是：錯題 → 老師講解 → 孩子把答案改正 → 下一題。但「訂正完成」不代表「學會」。

所以伴伴更重視：

錯題後面的第二次、第三次驗證。

孩子做錯之後：

1. 找出錯誤原因
2. 補充需要的觀念
3. 再給相同知識點的類似題
4. 改變題目呈現方式
5. 再次驗證
6. 確認真正掌握後才繼續前進

所以我們關心的不是：

這題有沒有改成正確答案？

而是：

下一次遇到不同的題目，你還會不會？

為什麼只有真人老師還不夠？因為人一定會有狀態起伏

我們非常重視學習教練。

但我們同時也很清楚一件事情：

只要是人，就不可能每一分鐘都保持完全相同的觀察品質。

老師可能：

• 今天精神比較好
• 明天比較疲累
• 某個學生比較安靜而被忽略
• 同時需要處理很多事情
• 沒有注意到某個小小的異常
• 無法記住孩子幾個月前所有錯題

這不是老師不專業。而是人的注意力與記憶本來就有限。所以伴伴大量運用 AI，不是為了取代老師。

而是：

用 AIMii 補足人的限制，讓真人可以把精力放在真正需要人的地方。

那什麼是真正需要人的地方？

不是講解第 20 題的解法。不是檢查作業有沒有寫完。也不是記住他三個月前錯過哪一題。真正需要人的，是：孩子做錯三次以後，開始不敢再舉手的那個瞬間。孩子答對了，卻不相信自己是真的會的那個表情。孩子說「我不會」，但其實真正想說的是：「我不想再試了。」這些事情，單靠數據很難完整理解。只有一個真的在看孩子、理解孩子的人，才有機會發現。

過去老師的時間，大部分花在：

• 講課
• 改作業
• 出題
• 盯進度
• 記錄
• 行政工作

真正可以好好「看孩子」的時間，反而最少。所以伴伴用 AIMii 把大量重複性的工作接走，不是要讓老師變少。

而是要讓老師終於有時間：

看孩子的臉，而不只是看孩子的作業。

這也是伴伴對 AI 最重要的看法：

AI 的價值，不是讓教育少一點人，而是讓教育裡的人，更像一個人。

AIMii 是教學者的第二雙眼睛

孩子學習的同時，AIMii 可以持續觀察：

• 正確率
• 答題速度
• 連續錯誤
• 知識點表現
• 難易度變化
• 猶豫時間
• 重複錯誤
• 學習節奏
• 任務完成狀況
• 歷史學習資料

它也看得出一題是不是用猜的。整份考卷答得太快、太多題幾秒鐘就作答，系統會標記出來。學生端還有一個徽章叫「靠實力不靠運氣」：一百份考卷，都沒有亂猜。一旦出現異常，就可以同步反映到教練端。因此學習教練看到的，不只是孩子眼前做的這一題。

還可以看到：

這個孩子過去的學習軌跡，以及現在最值得注意的問題。

AIMii 對兩邊都有幫助。孩子這邊，它幫他更快找到：自己到底錯在哪裡。老師這邊，它先把孩子的狀況整理好，再給教法建議：這種情況，有經驗的老師會怎麼教。所以伴伴的學習教練，每一次走到孩子旁邊，都知道該從哪裡教起。不只是伴伴自己的學習教練。學校和機構裡的老師用 AIMii，靠的也是同一套：這個孩子接下來該教什麼、怎麼教。

AIMii 找問題，學習教練陪孩子。

AIMii 負責大量、持續、不疲倦的數據監測。學習教練負責理解孩子、溝通、鼓勵、判斷，還有陪他走過卡住的那一段。兩者不是互相取代。而是互相補強。

我們的 AI 不一樣在哪裡：帶著孩子探索

我們的 AI，跟「拍照就給答案」的 AI 不一樣在哪裡？它帶著孩子想，讓孩子自己走到答案。要給孩子用的 AI，不能拿現成的直接用，要做很多調整和設定。我們對它的期望是：帶著孩子一起探索，陪他把問題想通，陪他把每天的練習變成習慣。所以它站的位置，跟學習教練一樣：在旁邊。

跟坊間的 AI 產品比起來，AIMii 多做了三件事：

• 它認得這個孩子→孩子幾年級、用哪一版課本、今天練到哪一題、這份練習要練什麼，它都清楚，孩子不用每次從頭交代
• 引導是做進去的→帶著孩子自己想，是整個產品從頭到尾的設計，不是加上去的一句提示；孩子換個問法、重開對話，它還是陪他一步一步想下去
• 它背後有人→孩子卡太久、狀況不對，學習教練和老師馬上看得到，會有人過來陪他

孩子在學生端按下「問伴伴這一題」，跟它要答案，它會先反問一句：

這題你已經試過什麼方法了？

接下來的規則，是我們寫給它的：

• 一次只問一個問題
• 一次只教一個觀念
• 照孩子的年級說話
• 不陪聊跟學習無關的事
• 提示給得剛剛好，不多不少
• 孩子答錯，先明確說這一步不對，再帶他看關鍵的地方
• 孩子答對，問他「你是怎麼想到的？」
• 隨著孩子進步，把支持一點一點撤掉

教育上這叫鷹架：先搭起來，會了就拆。為什麼要這樣設計？因為同樣是 AI，設計不同，結果完全不同。

我們對這些研究的解讀很保守：

在目前的實驗裡，設計成教練的 AI 沒有讓學生退步。要讓孩子進步，還是要孩子自己動手。

教育部的方向也是這樣。2026 年的《中小學使用生成式人工智慧注意事項》建議學生用為教育目的設計的工具，理由之一是：（教育部，2026）

它是能引導思考而非直接給答案的「智慧導師」。

教孩子怎麼用 AI：三個習慣

AI 不會消失。這一代的孩子，一出生就有 AI。擋不住，也不必擋。

我們想養出的，是真正的 AI 原住民：

AI 就在旁邊，還是自己會想的人。

所以除了成績，我們更在意孩子身上的三件事：

• 好奇→看到答案，還會多問一句「為什麼」
• 探索→敢自己試，這個方法不行，就換一個
• 主動→不用人催，自己坐下來開始

所以除了把 AI 設計成教練，我們還想讓孩子帶走三個用 AI 的習慣。

先自己想，再問。

教育部的注意事項寫得很直接：（教育部，2026）

生成式人工智慧是協助學習的工具，不能取代自己的思考與判斷，應先自行閱讀與思考，再視需要使用工具輔助。

問方法，不問答案。

NVIDIA 執行長黃仁勳 2025 年在 CNN 被問到一項研究（用 AI 的人，認知測驗的分數最低），他的回答是：（Zakaria, 2025）

我不是叫它替我想。我是請它教我原本不懂的東西，或是幫我解決我本來解決不了的問題。

AI 說的，自己驗一遍。

OECD 和歐盟在 2026 年公布的中小學 AI 素養框架，把 AI 素養分成四個領域：（OECD & European Union, 2026）

• 與 AI 互動
• 用 AI 創作
• 管理 AI
• 形塑 AI

其中一項能力是：

判斷 AI 的輸出該接受、修改，還是拒絕。

另一項是：

依照任務的性質，決定要不要用 AI。

聯合國教科文組織 2024 年的學生 AI 能力框架，第一個面向是「以人為本的心態」。UNESCO 自己的說明是：（UNESCO, 2024）

鼓勵學生理解並主張自己在面對 AI 時的主體性。

PISA 2025 的資料也看到同一件事：常用 AI 幫忙學習的學生裡，在學校練過怎麼判斷 AI 內容好壞的，科學成績略高一些。這是相關，還不能說是因果。（OECD, 2026b）我們把話說清楚：這三個習慣裡，第一個和第二個，AIMii 現在的設計已經在做。第三個，還有把「怎麼跟 AI 一起探究」變成孩子每天練得到的東西，是我們正在往前走的方向，不是已經做完的事。

真正的一對一，不是只有一個老師對一個孩子

傳統的一對一，通常定義成：

一位老師對一位學生。

但我們認為真正的一對一應該是：

所有學習內容，都能根據這一個孩子的狀況持續改變。

也就是：

• 題目不同
• 難度不同
• 學習速度不同
• 補強位置不同
• 任務不同
• 教練介入時間不同
• 學習目標不同

這才是真正的個人化。所以伴伴的一對一，不只是人數上的一對一。

而是：

學習路徑的一對一。

很多家長會問：那跟請一個家教、送安親班，差在哪裡？家教一個禮拜來一兩次，看到的是那幾個小時。安親老師一個人顧一整班，能盯的常常是「寫完了沒」。不是他們不用心。是一個人能看到的，就那麼多。

伴伴的學習教練，手上有一整套看得見孩子的技術：

• 孩子每一天、每一題的學習紀錄→停了多久、錯在哪裡、是不是用猜的
• 知識點連成的地圖→這題錯了，要往回補哪一年級的哪個觀念，順著查得到
• 隨時更新的分析→哪個觀念開始鬆動、哪裡進步了，不用等到考試才知道
• AI 整理好的狀況→教練走到孩子旁邊之前，已經知道該從哪裡教起，連教法建議都有

所以他的力氣，都能花在這個孩子現在最需要的那一件事上。

AIMii＋學習教練，讓每一堂課都有品質管理

傳統教育有一個非常大的問題：家長很難知道一堂課到底發生了什麼。孩子下課。家長只能問：「今天有沒有認真？」老師可能回答：「今天還不錯。」但這些都比較像感覺。伴伴希望把教學從「感覺」變成「可以被觀察的過程」。

因此我們可以記錄：

• 今天學了什麼
• 做了多少任務
• 哪些地方卡住
• 哪些知識點改善
• 正確率如何變化
• 哪些地方教練曾經介入
• 哪些錯題已經改善
• 哪些問題仍然需要繼續追蹤

讓每一堂課都留下可以被追蹤的學習紀錄。

家長不是退出，而是換一個位置

把學習管理交出去，不代表家長從此不用管。而是家長終於可以不用再當「監工」。催他開始、盯他寫完、檢查對不對，這些事情交給教練和系統。

家長真正該做、也只有家長做得到的，是另外幾件事：

• 看見孩子的努力，而不只看見分數
• 做錯的時候，告訴他：「沒關係，我們找原因」
• 想放棄的時候，站在他這一邊，而不是站在題目那一邊
• 在孩子進步的時候，讓他知道自己被看見
• 在結果不如預期時，讓他知道一次考試不等於他的全部

教練負責：

把觀念教懂，把方法帶會。

家長負責：

「不管學得快還是慢，我都在。」

AI 時代，家長還多了一件只有家長做得到的事。兒福聯盟的調查裡，只有 31.5% 的學生說，家長曾經跟自己討論過使用 AI 的風險。不用懂技術。只要問一句：「這題是你想的，還是 AI 想的？」當爸爸媽媽問孩子的問題，從：「功課寫了沒？」慢慢變成：「你今天學到什麼？」「今天有什麼讓你覺得有意思？」「你今天哪個地方覺得自己有進步？」

孩子感受到的，就不再只是被檢查。而是被看見。

所以我們說：

把家長還給家庭。

真正的意思不是把家長從學習裡拿掉。

而是：

把家長從壓力的那一端，換到支持的那一端。

伴伴不是讓孩子少努力，而是讓每一分努力更有效

我們不相信有任何科技可以讓孩子完全不用努力，就得到真正的學習成果。AI 不行。老師不行。補習班也不行。真正需要動手、動腦、理解、練習的人，永遠是孩子。

但科技可以做到一件很重要的事情：

不要讓孩子把努力浪費在錯的地方。

所以有時候家長會發現：孩子在伴伴一天做的題目，可能比以前少。這不是因為我們要求變低了。而是因為以前做的 50 題裡，可能有 40 題是他早就會的。努力的多寡，不應該只用：「今天坐了幾個小時。」「今天寫了幾張考卷。」來計算。

更重要的是：

今天有沒有碰到一個原本不會、現在會了的地方。

一個孩子一天如果真的補起一個斷點，一年累積下來，就是數百個真正被修補的地方。這比一年寫完幾百張自己原本就會的考卷，有價值太多。

所以伴伴希望孩子最後帶走的努力觀，不是：

「我很認真，因為我做了很多。」

而是：

「我很認真，因為我知道自己正在補什麼。」

這也是我們認為真正成熟的學習能力：

知道自己的努力，到底有沒有用在正確的地方。

每一張考卷，都應該成為下一步學習的開始

傳統教育很容易把考試當成終點。考完：70 分。訂正。簽名。然後下一個單元。但其實一張考卷，是非常有價值的學習資料。

它告訴我們：

• 哪些地方真的會
• 哪些地方似懂非懂
• 哪些是粗心
• 哪些是觀念問題
• 哪些錯誤一直重複
• 哪些基礎可能已經斷掉

所以伴伴希望逐步把：

學校考卷＋平常學習＋線上答題＋錯題紀錄

全部串在一起。讓每次考試不是結束。

而是：

下一個個人化學習計畫的開始。

建立每個孩子自己的學習履歷

我們希望伴伴不是只認識孩子一堂課。

而是：

越陪孩子越久，就越了解他。

系統長期累積：

• 哪些知識點曾經卡住
• 哪種錯誤最常出現
• 哪些內容已經補強
• 哪種題型學得比較快
• 哪種方式容易理解
• 過去考試表現
• 學習習慣變化
• 自主學習能力變化

最後形成一份真正屬於孩子的：

Learning Profile｜學習履歷

所以未來即使孩子：升年級、換老師、換教材、換學習階段，我們都不必每一次重新認識他。

因為：

伴伴記得孩子是怎麼一路學過來的。

從要人盯，到自己來

伴伴最終的目的，是讓孩子越來越能自己來。這不代表我們會離開。練起來的人，不是不需要教練了，是教練開始幫他加重量。孩子變強，重量會變，我們陪的方式也跟著變。

一開始可能是：

教練告訴孩子今天要做什麼。

慢慢變成：

教練只需要提醒。

再慢慢變成：

孩子自己知道今天該完成什麼。

最後希望孩子可以：

• 自己設定目標
• 自己安排時間
• 自己發現問題
• 自己尋找方法
• 自己檢查成果
• 知道什麼時候需要尋求協助
• 知道什麼時候該問 AI，什麼時候該自己想

研究學習的人，替這樣的孩子取了一個名字：自我調整的學習者。開始之前，知道自己要做什麼。做的時候，看得見自己做得怎麼樣。做完，回頭想哪裡可以不一樣，再帶進下一輪。

伴伴每天在做的事，對應的就是這三個階段：

• 預想→今天的份量和目標先排好，慢慢交給孩子自己排
• 執行→自己動手做，當下就知道對錯、看得到自己走到哪
• 反思→錯題回頭找原因，換個方式再驗證一次

這不是伴伴自己發明的目標。十二年國教課綱的願景是「成就每一個孩子—適性揚才、終身學習」。（教育部，2021）

總綱裡寫著：

核心素養強調培養以人為本的「終身學習者」，分為三大面向：「自主行動」、「溝通互動」、「社會參與」。

世界經濟論壇《2025 未來就業報告》問了全球一千多家雇主：到 2030 年需求成長最快的能力裡，「好奇心與終身學習」排在第六。（World Economic Forum, 2025）連 Google DeepMind 執行長 Demis Hassabis 都說，下一代最重要的能力，就是「learning how to learn」。（Gatopoulos, 2025）AI 會一年比一年強。

會自己學的孩子，AI 是他的教練、他的隊友。不會自己學的孩子，AI 只是那台替他舉重的機器。

從要人盯，到自己來，伴伴每一段做的事不一樣：

• 一開始→把每天的份量排好，陪他做完，養成坐下來的習慣
• 後來→他自己會開始，卡住的那一下，學習教練和 AIMii 接住他
• 再後來→他要學的是課本以外的新東西，我們陪他把 AI 用對，自己學會

這才是我們認為真正重要的教育成果。

伴伴真正賣的，不是一堂課

如果要用一句話說明伴伴：

我們不是再賣孩子一堂課，而是在建立一套「孩子會自己學」的能力。

伴伴的核心公式

學習教練×AIMii×正確學習方法×主動練習×數據追蹤

伴伴辦學最終希望做到的事情

我們希望有一天，一個孩子可以說：

到了那一天，他得到的就不只是一次考試的 90 分。而是一個可以陪他：國中、高中、大學，甚至進入社會之後，仍然持續受用的能力。

參考文獻

• 兒童福利聯盟文教基金會（2025 年 8 月 20 日）。2025 年台灣兒少網路安全調查［新聞稿］。 https://www.children.org.tw/news/news_detail/3397
• 教育部（2021）。十二年國民基本教育課程綱要總綱（2014 年發布，2021 年 2 月修正）。國家教育研究院。 https://www.naer.edu.tw/PageSyllabus?fid=52
• 教育部（2026）。中小學使用「生成式人工智慧」注意事項 2.1（學生版）。 https://pads.moe.edu.tw/download_file.php?file=_upload_aba798ab3bb88f11d0c43a7e477fb9c5.pdf&old=upload
• 親子天下教育創新中心（2026 年 8 月 10 日）。2026 全國中小學親師生 AI 素養大調查［新聞稿］。 https://www.eduinnohub.org.tw/news/1/2156
• Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), Article e2422633122. https://doi.org/10.1073/pnas.2422633122
• Buyalskaya, A., Ho, H., Milkman, K. L., Li, X., Duckworth, A. L., & Camerer, C. (2023). What can machine learning teach us about habit formation? Evidence from exercise and hygiene. Proceedings of the National Academy of Sciences, 120(17), Article e2216115120. https://doi.org/10.1073/pnas.2216115120
• de Bruin, A. B. H., Biwer, F., Hui, L., Onan, E., David, L., & Wiradhany, W. (2023). Worth the effort: The Start and Stick to Desirable Difficulties (S2D2) framework. Educational Psychology Review, 35(2), Article 41. https://doi.org/10.1007/s10648-023-09766-w
• Eberhart, J., Ingendahl, F., & Bryce, D. (2025). Are metacognition interventions in young children effective? Evidence from a series of meta-analyses. Metacognition and Learning, 20(1), Article 7. https://doi.org/10.1007/s11409-024-09405-x
• Education Endowment Foundation. (2025). Metacognition and self-regulation. Teaching and Learning Toolkit. https://educationendowmentfoundation.org.uk/education-evidence/teaching-learning-toolkit/metacognition-and-self-regulation
• Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X., & Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489–530. https://doi.org/10.1111/bjet.13544
• Gatopoulos, D. (2025, September 12). Google’s top AI scientist says ‘learning how to learn’ will be next generation’s most needed skill. ClickOnDetroit (Associated Press). https://www.clickondetroit.com/tech/2025/09/12/googles-top-ai-scientist-says-learning-how-to-learn-will-be-next-generations-most-needed-skill/
• Jones, M. G., & Walker, L. (2026, September 10). Youth losing critical skills and AI ‘hollowing out’ capabilities, PISA founder says. Euronews. https://www.euronews.com/my-europe/2026/09/10/youth-losing-critical-skills-and-ai-hollowing-out-capabilities-pisa-founder-says
• Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15(1), Article 17458. https://doi.org/10.1038/s41598-025-97652-6
• Koedinger, K. R., Carvalho, P. F., Liu, R., & McLaughlin, E. A. (2023). An astonishing regularity in student learning rate. Proceedings of the National Academy of Sciences, 120(13), Article e2221311120. https://doi.org/10.1073/pnas.2221311120
• Kraft, M. A., Schueler, B. E., & Falken, G. T. (2026). What impacts should we expect from tutoring at scale? Exploring meta-analytic generalizability. Review of Educational Research. Advance online publication. https://doi.org/10.3102/00346543261446660
• Kurnaz, M. F., & Koçtürk, N. (2025). A meta-analysis of gamification’s impact on student motivation in K-12 education. Psychology in the Schools, 62(12), 4997–5009. https://doi.org/10.1002/pits.70056
• Li, L., Hew, K. F., & Du, J. (2024). Gamification enhances student intrinsic motivation, perceptions of autonomy and relatedness, but minimal impact on competency: A meta-analysis and systematic review. Educational Technology Research and Development, 72(2), 765–796. https://doi.org/10.1007/s11423-023-10337-7
• Lin, C.-H., Kuo, B.-C., & Chang, F. T. Y. (2026). The impact of Taiwan adaptive learning platform (TALP) on self-regulated learning and mathematics achievement. Educational Psychology, 46(3), 458–479. https://doi.org/10.1080/01443410.2025.2561028
• Mawson, R. D., & Kang, S. H. K. (2025). The distributed practice effect on classroom learning: A meta-analytic review of applied research. Behavioral Sciences, 15(6), Article 771. https://doi.org/10.3390/bs15060771
• Nickow, A., Oreopoulos, P., & Quan, V. (2024). The promise of tutoring for PreK–12 learning: A systematic review and meta-analysis of the experimental evidence. American Educational Research Journal, 61(1), 74–107. https://doi.org/10.3102/00028312231208687
• OECD. (2026a). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. https://doi.org/10.1787/062a7394-en
• OECD. (2026b). PISA 2025 results (Volume I): Future-ready students. OECD Publishing. https://doi.org/10.1787/73451bc5-en
• OECD & European Union. (2026). Empowering learners for the age of AI: An AI literacy framework for primary and secondary education. OECD Publishing. https://doi.org/10.1787/65cd27d4-en
• Singh, B., Murphy, A., Maher, C., & Smith, A. E. (2024). Time to form a habit: A systematic review and meta-analysis of health behaviour habit formation and its determinants. Healthcare, 12(23), Article 2488. https://doi.org/10.3390/healthcare12232488
• Spitzer, M. W. H., & Moeller, K. (2022). Predicting fraction and algebra achievements online: A large-scale longitudinal study using data from an online learning environment. Journal of Computer Assisted Learning, 38(6), 1797–1806. https://doi.org/10.1111/jcal.12721
• Strömberg, D., Lei, V., & Wu, Y. (2026). The generative AI learning penalty: Evidence from Chinese secondary education (CEPR Discussion Paper No. 21577). CEPR Press. https://cepr.org/publications/dp21577
• Tetzlaff, L., Simonsmeier, B., Peters, T., & Brod, G. (2025). A cornerstone of adaptivity – A meta-analysis of the expertise reversal effect. Learning and Instruction, 98, Article 102142. https://doi.org/10.1016/j.learninstruc.2025.102142
• UNESCO. (2024, September 3). What you need to know about UNESCO’s new AI competency frameworks for students and teachers. https://www.unesco.org/en/articles/what-you-need-know-about-unescos-new-ai-competency-frameworks-students-and-teachers
• World Economic Forum. (2025). Future of jobs report 2025. https://reports.weforum.org/docs/WEF_Future_of_Jobs_Report_2025.pdf
• Xu, J., Guo, S., Feng, Y., Ma, Y., Zhang, Y., Núñez, J. C., & Fan, H. (2024). Parental homework involvement and students’ achievement: A three-level meta-analysis. Psicothema, 36(1), 1–14. https://doi.org/10.7334/psicothema2023.92
• Zakaria, F. (Host). (2025, July 13). Interview with Jensen Huang [TV series episode transcript]. In Fareed Zakaria GPS. CNN. https://transcripts.cnn.com/show/fzgps/date/2025-07-13/segment/01