「在魔獸世界裡,沒有人會失業!」遊戲與教育中的勝任與自我調節
「在魔獸世界裡,沒有人會失業!」遊戲與教育中的勝任與自我調節

討論到遊戲的基本概念與樂趣時,我經常會舉這個例子,也就是 「在《魔獸世界》裡面,沒有人會失業! 在艾澤拉斯的世界中,每名玩家都可以找到安身立命之所在」。

不管你是上最前線去刷副本,當坦克輸出或補師、做一名探索世界地圖邊境的探險者,或是專精各種生活技能,甚至是根本不打怪,專心當商人,每個玩家都可以找到屬於自己的興趣、歸屬和使命。

我在說明這一案例時,主要的目的是在說明為何遊戲使人著迷,以及多人線上遊戲(MMORPG)如何吸引更多的玩家投入這個永續世界(Persistent world)之中。

因為許多玩家在現實中感到苦悶,自己找不到理想的工作和可以施展的抱負,因而質疑自己到底是不是一個「有用的人」,各種自嘲的魯蛇話語,更是對於當今社會不公和缺乏希望所帶來的吶喊。

而仿真的虛擬遊戲世界,成為許多玩家心之所歸;在這裡雖然也有小白,也有一步登天的台幣戰士,但至少你的所有努力和消耗的時間,都會用某種數位的形式記錄與回饋下來,見證你的付出和心血。

下課處理完所有的加簽後,有學生在樓梯間堵我問說,「到底遊戲內所獲得的『成就』和『回饋』與現實有何不同?」他還舉幾天前北一女學生,因為家庭課業壓力太大而選擇輕生為例,該如何用遊戲理論來解釋這一問題?我不覺得我是一名熱心老師,但學生有多少學習熱忱決定了我願意講多少。既然學生願意問,我就盡可能用淺顯的方式來回答你。以下是我的簡單回答:

你什麼時候開始覺得上學很累?

我查了一下新聞,該名女學生是和媽媽說要去上學,結果沒有上學,留下了遺書,從居住的公寓大廈頂樓跳樓身亡。首先,上學是一件很痛苦的事情嗎?讓我們想想,小時候,尤其在小學階段,學校是非常好玩的,很多小學生最期待的就是去學校,暑假最期待返校日,因為去學校有許多好玩的事情,有老師、有操場、還有同學在,所以「上學」是件非常有趣且快樂的事情。但曾幾何時,上學變成一件如此痛苦的事情,苦楚到需要用一了百了的自殺方式才能換得解脫,獲得救贖?

大概是在生命的哪個時候,上學突然成為一件壓力的來源而再也不快樂?請你先思考一下。然後記得:學習(Learning)和上學(Schooling)是兩回事。

第二、根據新聞的報導:該女學生原本想要念師大附中,但因為家中的父母都是建中北一女、醫生世家,姐姐也是北一女,所以媽媽就理所當然地認為,既然考得上,那就應該要念北一女,而不該退而求其次選附中。我們不清楚該女學生的個性和心理狀況,但推測她寧為雞口,不為牛後,但父母的期許讓她在大牛群之中更顯壓力。我們應該理解到,「上一個階段成功的所有人往往是下一個階段的失敗者」。

國中時候你可能是全校榜首,來到了第一志願後,由於第一名還是只有一個,故必然有一半以上的「以前榜首」現在淪為後半的吊車尾,而讓家長感覺到 「你成績退步了」。你會退步是不是因為不夠用功?玩太多社團?還是整天光打電動看漫畫?等等的理由自然就會成為排名退步的元兇。

事實上這是沒辦法的事情,因為再好的學校也會有人墊底,故一個完全以成績導向與學習競爭的體系,必然會產生更多的魯蛇失敗者。

也有一派的教育理論者認為學習本來就是辛苦的,沒有十年寒窗,哪有一日功成?學習本來就是不斷的壓力累積,最後才能獲得下一階段的成功,從好國中到好高中,好高中到好大學,最後找到一份好工作,獲得社會定義上的成功。「成長」本來就是艱辛的,故學習本來就是辛苦的,想要「成功」就看誰熬得過去,「吃得苦中苦,方為人上人」對吧?

上述這一說法自然使得學習越來越「苦」。但是現實是你沒法不指考、故我們今年在全國高中巡迴電競動漫講座的巡迴中,我提出的解決方式是請老師或家長盡可能地去鼓勵與回饋學生在許多小細節上的成就和努力。或許短時間我們沒法改變成績的指標性,但父母或師長可以在運動、社團或是其他科系(美術、音樂等等),甚至是一些校室布置、整潔活動等細微活動上盡可能地鼓勵,且這個鼓勵和讚美的水準應該等同於學業成績奪冠的同學,讓他們享受到同等的成就感。

關於遊戲理論中的教育勝任性

shutterstock_education_school_388660693.jpg
圖/ Shutterstock

接下來,我想要談一下遊戲中玩家學習這一塊。麻省理工學院的Resnick教授(他也是Scratch程式語言的設計者)曾經提出一個計畫:「終身幼稚園(Lifelong Kindergarten)」認為幼稚園時的小朋友,學習的樂趣是最快樂的,他主張應該要學到「系統」,因為系統才是真正有用的。但是大多數的學校教育都是一種由下而上(bottom-up)的過程,課文或單字的難度逐漸加強,越來越多公式和理論,但始終卻沒有碰觸到系統。

「學到系統」是什麼意思?我先舉一個例子:大多數的知識可以區分為「程序知識」(procedural Knowledge)和「描述知識」(descriptive knowledge)。我們在學校所學到的大多數學科,幾乎都是屬於後者的描述知識。有背景、有說明、有分析、有理論,還有試題給你練習。在某種意義上,包含本文在內大多數出版品也是屬於一種描述知識。

但我們在打電動時則有點不一樣。首先,今天的玩家在開始遊戲前,沒有人會再去詳讀說明書了,都是直接開始玩。以致於現在的遊戲(不管是數位或實體版)甚至都把說明書給省略了,真懷念以前那種好好保存原裝遊戲說明書,小心翼翼害怕折到的心情啊(笑)。

沒有說明書的原因除了根本沒人看以外,更重要的是直接把提示和教學放在遊戲之中了。有些遊戲會有教學關卡,有些遊戲則根本沒有,完全讓玩家摸索,但不管哪一種,基本上遊戲都強調 「做中學」以及 「在做中學習」。舉一個例子大家會比較清楚:

有些很難的關卡(尤其是動作遊戲)玩家可以親自示範過關給你看,但是他沒辦法用口頭描繪或是文字解說如何過關。很多運動選手可以很直覺地用身體記憶來投籃,但他不懂什麼力學原理或是角度計算,玩《憤怒鳥》的人也可能完全不懂物理。

你有看過某些駕訓班如何教學員如何考過S型彎道嗎?用背的,「後照鏡看到那個指標時馬上打左轉兩圈半,前輪看到盡頭就轉二圈方向盤」這些用背誦記憶考過駕照的人,上路之後當然就很容易出事,造成大家的困擾,因為他們只有描述知識,而缺乏程序知識。

換言之,大多數的遊戲在玩家學習如何操作和掌握技巧的過程中,先達成了 「學會勝任,才去理解背後的道理」*。

勝任感是一種自信,也就是你發現自己可以掌握、駕馭這個東西或這門知識的感受,教育理論中所謂的「可學性(learnability)」。因為大多數遊戲具備「輸入、反應、解決」的know-how,給予玩家一種「有信心的探索」。

這種原來我可以駕駛跑車、召喚英雄、一夫當關,或是很會消除俄羅斯方塊都使得遊戲產生成就感,並讓玩家感受到「原來我並不是沒用的人」、「我不是什麼都做不到啊」的感受。

現在回過頭來想想你是在什麼時候說出,「我沒有XX細胞,所以XX我都學不會」這句話的?是什麼原因讓你說出這句話?

遊戲與玩家的自我調節

孔子有「因材施教」的名言。你喜不喜歡孔子這不重要,但是 「因材施教」是美好的理想,讓每個人適性發展,是一種允許玩家自由難度的調整。很多遊戲允許玩家在一開始(或者中途)變更難度,一些遊戲更會根據玩家的表現而自動調整,儘可能把遊戲控制在心流(Flow)之中,感到樂趣而不因為太難而摔手把,也不會太簡單而感到枯燥無聊。「心流」是個很重要的理論,但我認為目前大多數討論引用的人可能並未接觸到原典,所以其實並未完全把握理論全貌和引伸限制(這點我們之後在專文談)。

在學校教育中,大多數採用的方式是 「能力分班」,但能力分班並沒有解決問題。因為能力分班其實是讓「老師輕鬆好教」(學生的程度比較接近),但對於上述的競爭關係和魯蛇心態產生的問題無解,因為能力分班的方式並不是遊戲調整難度,而是把一大群人劃分等級,先判定了你適不適合唸書。

在遊戲中,有所謂的玩家自我調節(self-regulation) 理論。這包含了玩家會「自我觀察」、「自我評價」與「自我反應」。而且可以隨意地自我調整。玩家會判定我在整個遊戲中屬於那個層級、我花多少時間和金錢、我加入那個工會,我喜歡擔任什麼樣的職業等等,並根據周圍的其他玩家而做出對應的調整,也稱為玩家、遊戲環境和互動行為之間的「三元交互決定論(Triadic Reciprocal Determinism)」

魔獸遊戲vs教育_三元交互決定論.jpg
圖/ U-ACG

那遊戲中如何維持這一狀態呢?最前面提到的「在艾澤拉斯中,沒有人會失業」這一口號是如何實現的?

簡單說:因為在《魔獸世界》等大型MMORPG中,所有職業都可以生產出有效且可用的道具、鍊金、材料或武器裝備。你可以去前線刷寶,你也可以在後方製作,你也可以當商人買低賣高,換言之,這些玩家在遊戲中所生產出來的「道具」,可以成為另外一個活人玩家「有用」的物品。

這使得這些物品具有可交換性與實用性,當然後來也引發了RMT與其他弊病,但不管如何,「我在這裡可以找到某種歸屬和定位。我做出來的東西、打到的道具,可以幫助到其他人,所以在這個世界內我不是個沒用的人,有人需要我」。把這套觀點擴大與延伸,也可以解釋許多網路小白或遊戲駭客的行為。在遊戲中亂殺人、影響其他人,這不也是一種自我存在與自我有用的證明嗎?「在這裡:我可以讓其他玩家痛苦」

這種自我調節的能動性會幫助玩家更適應整個環境,如同你在吃Buffet時,有多樣的菜色和種類可以任君挑選,就算你是一個偏食者也可以選到中意的餐點;而學校的營養午餐則只有一種制式化的選擇,不管你喜不喜歡。那要如何在有限環境資源中改變這一現狀呢?今天許多航空公司最便宜的經濟艙,也都提供了兩到三種的菜色選擇,而且盡可能讓這兩三種完全不同,故給予玩家或學習者適度的選擇權,會更有效提高自我調節性。

教育的難處

打電動時,這邊可以用兩段跳躍跨過,死過幾次後,下一次看到你就會記起來;學習也是一樣,你需要背英文、不斷練習公式才能熟悉,故遊戲和學習都是透過反覆不斷的練習來掌握某門技巧或知識的脈絡。那為何學生比較喜歡打電動而討厭學習?我背一個下午的英文單字,隔天就忘光了,但是我打一個下午的電動,獲得的分數、裝備或道具會有某種形式保留下來見證我的努力成果。

所以如何刺激回饋並持續地獲得成就感一直是教育的難處。作為一位從國中、高中、五專、二技到大學都教過的老師,也同時是一位遊戲設計師而言,我可以感受到今天教育的許多困境。那是一種無能為力的感嘆。

科技是一種要求快速看到結果的目標技術,而且越來越快速。下達的指令、輸入的字串要馬上能看到結果,最好還能數值視覺化,更渴望有效的答案。

教育是一種培養探索與自我理解與自信建立的過程,每一種都非常緩慢,在今天受到諸多限制的教育環境中,更顯捉襟見肘。

所有的政策和教育的變化都非常緩慢,要看到結果更緩慢,可能是數代人之後的春秋。十年樹木百年樹人,非常遺憾一個年輕的生命消逝,但這個世界已經越來越難以忍受沒有喜悅結果的緩慢。

這是一個初步的回答。希望你能更延伸,思考其中的不足之處,我會再補充更多。

Source 1.Castronova, E. (2005). Synthetic Worlds: The business and culture of online games. Chicago: University of Chicago Press. 2.Gee, J.P.(2003). What video games have to teach us about learning and literacy. New York, NY.: Palgrave. 3.Gee, J.P.(2005).Why Video Games are good for your soul: Pleasure and learning. Melbourne, Australia: Common Ground. 4.Taylor, T.L.(2006). Play between world: Exploring online game culture. Cambridge, MA: The MIT Press. 5.孫春在,《遊戲式數位學習》(台北:高等文化教育事業,2013)

本文由梁世佑授權轉載自U-ACG

《數位時代》長期徵稿,針對時事科技議題,需要您的獨特觀點,歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw,文長至少800字,請附上個人100字內簡介,文章若採用將經編輯潤飾,如需改標會與您討論。

(觀點文章呈現多元意見,不代表《數位時代》的立場。)

往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。 依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓