Google 於 2026 年 10 月 26 日在官方部落格公布 AI Quests 系列的第三個單元「Polar Peaks」。這個系列由 Google Research 與史丹佛學習加速器（Stanford Accelerator for Learning）合作開發，目標是讓 11 至 14 歲的學生在遊戲情境中理解人工智慧怎麼運作、又該怎麼被負責任地使用。根據文章作者、Google Research 資深總監 Ronit Levavi Morad 的說明，AI Quests 至今累計完成超過 40 萬次，並已在地化為 10 種語言。
背景：AI 素養教育為何需要具體案例
AI 素養的內容不只是會操作工具，還包括理解資料從哪裡來、模型如何被驗證，以及什麼時候必須由人接手判斷。這些概念對中小學課堂而言相當抽象，如果只靠講述，很難讓學生真正體會。AI Quests 的做法是把研究流程拆解成可操作的任務，讓學生扮演 Google 研究員，處理改編自真實研究計畫的難題。前兩個單元分別以洪水預測與眼疾偵測為主題，靈感來自 Google Research 的 Flood Forecasting 計畫，以及用於糖尿病視網膜病變（diabetic retinopathy）篩檢的 AI 模型；第三個單元則把場景移到神經科學，主題是如何用 AI 繪製人類大腦。
核心內容：從資料清理到模型測試
在 Polar Peaks 裡，學生進入神經科學的研究前線，替遊戲角色追查記憶喪失的原因。解法是掃描並標註大腦中的神經元，再建立神經元之間的連結圖，藉此觀察記憶相關的線路是否出現異常。過程中，學生必須完成兩類任務：資料清理（data cleaning）與模型測試（model testing）。前者要求辨識並修正錯誤、缺漏或彼此矛盾的標註；後者則是用已知答案檢驗 AI 的判斷是否可靠。這樣的設計讓學生實際遇到一個關鍵情境：AI 會給出結果，但結果不一定是對的。課程因此把人類監督與批判思考放進流程裡，而不是事後補上一句提醒。
技術脈絡：連接體學與果蠅大腦地圖
這個單元改編自 Google Research 超過十年的連接體學（connectomics）研究。連接體學的目標是繪製大腦內的神經網路，也就是把神經元的位置與彼此之間的連結完整記錄下來，作為理解記憶、行為與神經疾病的基礎。這件事困難的地方在於規模：腦組織的電子顯微鏡影像資料量極大，必須依靠演算法自動分割神經元、追蹤跨切片的連結，再由研究人員逐段校對。AI 在這裡扮演加速器的角色，但人工檢查仍是不可省略的環節。Polar Peaks 完成後，學生會聽到兩位實際參與研究的研究者分享經驗，其中包含近期完成的完整果蠅大腦映射；以神經元數量計算，這是目前為止規模最大的腦部地圖。
教師端：訓練模組與獎項肯定
要讓這類教材真正進入課堂，教師的角色不可少。Google 同步在 Google AI Educator Series 中推出教師訓練模組，協助教育工作者掌握 AI 素養的核心概念，並把 AI Quests 用在教學與課堂討論中。第一與第二個單元的模組已經上線，第三個單元的模組預計在下個月推出。這個系列先前已獲得 2026 年 Webby Award 的 AI 教育、學習與訓練類獎項，以及 ETIH Innovation Awards 的 Best Global K–12 Learning Solution；Google 表示本學年會持續與教育工作者及合作夥伴合作，把更多單元帶進更多教室。
影響與限制
從規模來看，40 萬次完成數與 10 種語言版本，說明這類短時數、情境化的教材確實有機會觸及大量班級；把資料清理、模型測試與人類監督放入遊戲流程，也讓 AI 素養從口號變成可觀察的行為。不過，適用範圍仍明確限制在 11 至 14 歲，課程效果高度依賴教師是否搭配訓練模組引導討論。遊戲中的大腦地圖也經過簡化，與真實連接體學研究的資料量與校正成本有相當差距，學生得到的是方法概念，而非完整的科研實作經驗。另一個值得注意的細節是，刊登這篇文章的頁面本身提供 AI 生成摘要與語音朗讀，並標示生成式 AI 仍屬實驗性；這正好呼應課程反覆強調的重點：工具能加快理解速度，但輸出仍需要人來檢查。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。