第一個陳立寶寶，帶著 AI 回來了

我是李宏澤。

很多年前，我也是坐在陳立教室裡，問過那個幾乎每個孩子都問過的問題：

我學這麼多數學，以後到底有什麼用？

那時候，我其實沒有什麼偉大的答案。

數學對我最直接的意義，就是把考試考好、把分數拉高，讓我進入自己希望的學校與科系。

陳立的數學，確實帶我走到了那裡。

但我沒有想到，很多年後，當我成為一名AI 架構師與資料科學家，開始真正進入機器學習、模型架構、資料與人工智慧的世界，我才慢慢理解：

當年學的那些數學，真正影響我的時間點，可能才剛剛開始。

長大以後，我才回答了「數學到底有什麼用？」

今天很多家長都在想同一件事情。

AI 已經可以解數學題了。

ChatGPT、Gemini 可以一步一步列出解法，AI Tutor 甚至可以隨時陪孩子練習。

那麼，我們的孩子為什麼還要花這麼多時間學數學？

這個問題，我自己也想過。

而且因為我的工作就在 AI，我反而比以前更相信數學的重要性。

因為當我真正走進 AI 的底層，我看到的不是一個會聊天的機器。

我看到的是數學。

今天大家熟悉的生成式 AI，往底層走，是神經網路、Transformer、Attention、Embedding、機率模型與最佳化；再繼續往下，仍然離不開線性代數、機率統計、微積分與大量數學結構。

AI 的表面是語言，底層很大一部分是數學。

但我後來發現，更重要的甚至不是「懂多少數學公式」。

而是數學長期改變了我思考問題的方法。

一道從來沒有看過的題目擺在面前，我要先理解條件。

問題太大，就拆小。

找不到答案，就換一條路。

看到規律，就提出假設。

得到答案，還要回頭驗證。

錯了，再重新推導。

以前我們把這件事情叫做「解題」。

今天我做 AI 架構、資料科學與模型工作，每天仍然在做同一件事情：

定義問題、拆解問題、建立關係、提出假設、驗證結果、修正，再找到更好的解法。

所以我到了很久以後才真正理解——

數學教我的，從來不只是怎麼得到答案，而是當我還不知道答案的時候，我該怎麼辦。

這件事，在 AI 時代反而變得更重要。

當 AI 什麼都會回答，我們更應該教孩子「怎麼問、怎麼想」

我相信這會是未來十年教育很大的改變。

我們這一代人的教育，是在資訊稀缺的年代建立的。

老師知道答案，課本裡有答案，學生努力把知識學會。

但我們的孩子正在進入一個完全不同的世界。

未來，他們身邊可能永遠都有一個 AI。

它可以翻譯，可以寫程式，可以整理資料，可以畫圖，可以回答問題，也可以在幾秒鐘內解出一道數學題。

所以孩子真正需要建立的能力，也開始往更深一層移動：

你能不能看懂問題？

你能不能把一個模糊的問題變成可以解決的問題？

你能不能判斷 AI 給你的答案是否合理？

你能不能發現它錯在哪裡？

你能不能利用工具，找到一條原本沒有人告訴你的路？

這些能力，正是數學教育最值得留下來的部分。

因此，站在一個 AI 工作者的角度，我反而會告訴家長：

AI 愈強，我愈希望孩子真正學會數學。

只是我們需要重新理解「學會數學」這四個字。

也因為這樣，我回到了陳立

最近，我做了一個對自己很有意義的決定。

我重新回到自己曾經學數學的地方——陳立教育。

這一次，我的身份已經從學生，變成了 AI 架構師與資料科學家。

如果用陳立自己的說法，我可能算是第一個回來參與 AI 核心建設的「陳立寶寶」。

這件事情對我有一種很特別的感覺。

以前，是陳立把數學交給我。

數學幫助我升學，也一路影響我後來進入科技與 AI。

現在，我帶著自己在 AI 世界裡累積的能力重新回來。

而我想做的第一件事，就是重新理解：

陳立四十年到底累積了什麼？

重新走進陳立，我看到的不再只是一本一本講義

小時候，我看到的是老師、黑板、考卷與厚厚的數學講義。

現在用資料科學家的眼睛重新看，我看到的完全不同。

我看到的是四十年累積下來的教育資料資產。

一道題目，其實不只是一道題目。

它背後有知識點、有難度、有先備能力、有不同解法，也有學生最常出錯的地方。

一位資深老師講一道題，也不只是把答案寫出來。

他知道什麼地方要停一下。

知道學生看到哪一步會開始卡住。

知道什麼時候應該畫圖，什麼時候應該換一種說法。

甚至學生才寫下第一、第二行，他可能就已經知道這個孩子的問題在哪裡。

這些才是四十年真正累積下來的教育 Know-how。

以前，這些能力存在老師的腦袋裡。

存在一本一本教材裡。

存在歷年的考卷、題庫與教學現場裡。

今天 AI 給我們一個全新的可能：

我們第一次有機會，把這些教育經驗變成可以被系統理解、累積與持續進化的智慧。

這就是我回來想做的事情。

我們正在開始打造 ChenLi 2.0 的 AI Engine

我把它想成陳立下一個世代的「教育引擎」。

第一步會很扎實地從教材與教務開始。

我們要重新整理題目、知識點、題型、難度、解題方法與知識之間的前後關係，逐步形成數學 Knowledge Graph。

我們希望把不同老師多年形成的解題方法與教學經驗留下來，形成屬於陳立的 Teacher DNA。

而每一個學生的考試、錯題、進步與學習軌跡，未來也可以逐漸形成自己的學習模型。

而當它再連接陳立四十年的教材、題庫、教務系統與 AI Model，我們想建立的，就是：

ChenLi 2.0 AI Engine

這將是下一個陳立教育的 AI 底層。

有一天，AI 應該看懂孩子「為什麼錯」

我自己很期待的一個場景是：

未來一個孩子做錯一道數學題，系統看到的不再只是一個紅色的叉叉。

AI 可以繼續往下理解：

你錯的是計算，還是觀念？

真正缺少的是哪一個知識點？

這個問題是不是三個月前就曾經出現？

是不是前面某個基礎沒有建立好，所以現在開始連續出錯？

下一步應該繼續做難題，還是回到前面的觀念？

如果要重新解釋，哪一種教法最適合這個孩子？

老師看到的，也不再只是一張成績單。

他可以更快知道：

這個孩子現在真正需要我幫他的地方在哪裡。

我認為這才是 AI 進入教育真正令人期待的地方。

科技最後應該讓老師更理解學生，也讓學生更理解自己。

四十年的數學，會開始長出新的東西

當這個 AI Engine 慢慢建立起來，我們可以做的事情就會開始增加。

AI Tutor 可以建立在上面。

個人化數學學習可以建立在上面。

錯題診斷、週期性學習報告、智慧教材、Teacher Copilot，也可以建立在上面。

甚至未來，一個人在美國 Arizona、California、新加坡、越南或世界任何地方，只要打開產品，都可能接觸到陳立四十年累積下來的數學教學方法。

那時候，陳立累積的教育能力就開始跨越一間教室、一個校區，甚至一個國家。

這也是我理解的 ChenLi 2.0。

它是一個從四十年教育現場長出來、再用 AI 放大的下一代教育體系。

身為一個曾經問「數學有什麼用」的孩子，我現在有了答案

如果今天讓我回到很多年前，重新回答坐在教室裡的自己，我會告訴他：

你現在做的這些題目，確實會幫助你考試。

也會幫助你進入自己想去的科系。

但真正重要的事情，你可能要很多年後才會發現。

你正在訓練自己的大腦，學習如何面對一個還沒有答案的問題。

而你長大後的世界，會出現一種叫做 AI 的東西。

它知道的事情可能比你多，算得比你快，也能在幾秒鐘內回答很多問題。

到了那個時候，真正珍貴的能力，會是你能不能看懂問題、提出問題、拆解問題、判斷答案，最後創造出新的解法。

而你現在學的數學，正在偷偷訓練你這件事情。

很多年前，

陳立把數學教給我。

後來，

數學帶我走進資料科學與 AI。

現在，

我把 AI 帶回陳立。

我希望把當年老師教給我們的解題能力、四十年的教材、無數老師累積的經驗，以及一代又一代學生留下來的學習軌跡，慢慢建立成下一個世代的教育 AI 底層。

也許幾年之後，今天坐在陳立教室裡的另一個孩子，也會走進一個我們現在還想像不到的產業。

到那時候，他可能也會突然理解：

原來當年老師要我學會的，從來不只是一道數學題。

我是李宏澤。

一個曾經在陳立學數學，後來成為 AI 架構師與資料科學家，又帶著 AI 回來的陳立寶寶。

這一次，我想和陳立一起，把四十年的數學寫進 AI 的底層。

ChenLi 2.0，從這裡開始。