運算思維：AI 時代每個人都需要的核心素養

2006 年，卡內基美隆大學電腦科學系主任 Jeannette Wing 在《Communications of the ACM》發表了一篇僅三頁的文章，主張運算思維（Computational Thinking）應與讀、寫、算並列為每個人的基本能力——不只是電腦科學家的專業技能，而是所有人解決問題的基礎框架。^[1]近二十年後的今天，當生成式 AI 讓每個人都能「指揮」電腦執行複雜任務時，運算思維的重要性不減反增。World Economic Forum 的《2025 年未來工作報告》將分析思維與科技素養列為成長最快的核心技能。^[8]然而，運算思維究竟是什麼？它和寫程式有什麼不同？為什麼在 AI 可以幫我們寫程式的時代，我們反而更需要它？

一、運算思維的四大元素

ISTE（國際教育科技學會）與 CSTA（電腦科學教師協會）在 2011 年的聯合定義中，將運算思維歸納為一套問題解決的思維過程，涵蓋四個核心元素^[3]：

分解（Decomposition）

將複雜問題拆解為更小、更可管理的子問題。這不是電腦科學獨有的技能——醫生診斷疾病時將症狀分類、專案經理將大型專案拆解為里程碑、廚師將複雜料理分解為備料步驟，都是分解的應用。運算思維的特殊之處在於它將分解系統化、可教學化。

模式識別（Pattern Recognition）

在問題或數據中發現規律性與重複性。當我們注意到「每次系統當機都發生在月底結帳日」，就是在進行模式識別。這項能力在 AI 時代尤其重要——當 AI 擅長在大量數據中找出統計模式時，人類的角色轉向判斷這些模式是否有意義、是否反映因果關係而非僅僅是相關性。

抽象化（Abstraction）

忽略無關的細節，聚焦於問題的本質特徵。Wing 將抽象化視為運算思維中最重要、也最困難的元素。^[1]當我們使用地圖導航時，地圖就是一種抽象——它保留了道路結構和距離資訊，但省略了建築物的顏色、路邊的樹木等無關細節。在 AI 時代，能夠為 AI 系統設計適當的抽象層——決定哪些資訊要保留、哪些要捨棄——是有效使用 AI 的關鍵能力。

演算法設計（Algorithmic Thinking）

設計一系列有序的步驟來解決問題。演算法不等於程式碼——一份食譜、一個標準作業流程、一套決策樹，都是演算法的日常表現形式。運算思維訓練的是將模糊的問題解決過程，轉化為明確、可重複、可驗證的步驟序列。

二、從 Papert 到 Wing：運算思維的知識譜系

運算思維的知識根源可以追溯到比 Wing 更早的時代。MIT 教授 Seymour Papert 早在 1980 年的《Mindstorms》一書中就提出了核心洞見：電腦不只是計算工具，更是「思考的工具」——兒童透過程式設計（Logo 語言）學習的不只是如何指揮電腦，更是如何系統性地思考。^[2]

Wing 在 2006 年的貢獻在於將 Papert 的教育理念提升為一個學科級別的主張：運算思維不只是教育方法，而是與數學思維、科學方法並列的基本認知能力。她寫道：「運算思維是關於概念化，而非程式設計⋯⋯它是電腦科學家思考問題的方式，但它的價值超越電腦科學。」^[1]

美國國家研究委員會在 2010 年的工作坊報告中進一步確認了運算思維的跨領域價值^[6]，而 Denning 在 2017 年的重要反思文章中也指出，運算思維的教學需要更精確的定義與更嚴格的評量標準。^[4]

三、台灣 108 課綱中的運算思維

台灣在 2019 年實施的十二年國民基本教育課程綱要（108 課綱），在科技領域中正式將運算思維納入核心學習目標。^[7]科技領域分為「資訊科技」與「生活科技」兩個子領域，其中資訊科技以運算思維為核心學習表現指標，生活科技則以「設計思考」為核心。

在國中階段，學生被要求具備基本的演算法思維、程式設計（如 Scratch、Python）與資料處理能力。高中階段進一步要求理解抽象化概念、資料結構與系統設計的基礎。這個課綱設計反映了全球教育改革的趨勢——將電腦科學從選修的專業技能轉為通識的核心素養。

然而，108 課綱的實施也面臨挑戰：師資不足（許多學校的資訊科技課程由非專業教師授課）、設備落差（城鄉學校的數位基礎設施差異顯著）、以及評量困難（運算思維作為一種思維能力，難以用傳統考試方式評量）。Brennan 與 Resnick 在 2012 年提出的三維框架——運算概念、運算實踐、運算視角——提供了一個更全面的評量參考。^[5]

四、AI 時代為什麼更需要運算思維？

一個看似矛盾的問題：如果 AI 已經可以幫我們寫程式、分析數據、設計演算法，我們為什麼還需要運算思維？

答案恰恰在於 AI 工具的使用本身就需要運算思維。當你向 AI 下達一個提示（prompt），你實際上在做的事情包括：分解（將模糊的需求拆解為具體的指令）、抽象化（決定哪些脈絡資訊要提供、哪些要省略）、模式識別（理解什麼類型的提示會產生什麼類型的回應）、以及演算法設計（設計多步驟的互動流程以達成複雜目標）。

換言之，AI 改變的不是運算思維的重要性，而是它的應用層級。過去，運算思維的輸出是程式碼；在 AI 時代，運算思維的輸出是對 AI 的有效指揮。不具備運算思維的人，即使擁有最先進的 AI 工具，也只能停留在最表面的使用層級——就像擁有一架鋼琴卻只會用一根手指按鍵。

五、結語：從「學寫程式」到「學會思考」

運算思維的核心訊息始終如一：重點不在於學會某種程式語言，而在於培養一種結構化的思維方式。Papert 四十多年前的洞見——電腦是「思考的工具」——在 AI 時代獲得了更深層的驗證。當 AI 接管了「寫程式」的執行層面，人類需要的恰恰是更強的「思考」能力——定義問題的能力、設計解決路徑的能力、以及判斷 AI 輸出是否合理的能力。

對教育者而言，這意味著運算思維的教學應該從「教工具」轉向「教思維」——不是教學生如何使用特定的程式語言或 AI 工具（這些會不斷更新），而是教他們如何分解問題、識別模式、建立抽象、設計流程。這些能力，才是在技術快速迭代的時代中真正持久的資產。