摘要： 2026 年 6 月 1 日，一份名為 “Law Professors Prefer AI Over Peer Answers” 的盲測研究由史丹佛法學院對外公布。實驗請來 16 位美國法學教授為 40 道契約法問題作答，再由他們對匿名摻入 AI 回覆的答案池進行盲評；在將近 3,000 次盲評當中，AI 贏下了 75% 的捉對較量。
2026 年 6 月 1 日，一份名為 “Law Professors Prefer AI Over Peer Answers” 的盲測研究由史丹佛法學院對外公布。實驗請來 16 位美國法學教授為 40 道契約法問題作答，再由他們對匿名摻入 AI 回覆的答案池進行盲評；在將近 3,000 次盲評當中，AI 贏下了 75% 的捉對較量。
這件事的分量，不在「AI 又多贏了一項 benchmark」。負責打分數的人，是職業上最會挑論證毛病的法學教授；被衡量的本領是教學答疑，而非考試成績；更值得注意的是，AI 的答案被判定「教學上有害或誤導」的比率只有 3.5%，比教授同儕寫的答案（12%）還低。計畫主持人是史丹佛法學院教授 Julian Nyarko，其帶領的單位為 Legal Innovation through Frontier Technology Lab，縮寫 liftlab；論文第一作者是 liftlab 研究者 Alejandro Salinas，共同作者名單裡有耶魯法學院的 Sarath Sanga，還有來自 NYU、芝加哥大學等機構的學者。
這份研究如何進行
方法上有三個值得注意的安排。其一，題目貼近日常：這 40 個契約法問題屬於學生下課後或在 office hours 真會開口問的類型，既非競賽題，也不是刻意刁難的怪題。其二，評分全程雙盲：教授先交出自己的答案，之後針對匿名化的答案打分數，從頭到尾無從判斷某一篇出自 AI 還是身邊同事。其三，基於公平，AI 回覆事先調校到與人類答案相近的長度與結構，讓人無法靠篇幅猜出作者是誰；評估也不靠單一方法，而是多種方式互相印證。
16 位教授搭配將近 3,000 次匿名比較，規模確實不算大；不過盲測設計已把品牌光環和身分偏見排除在外，而這恰恰是多數「AI 比 X 強」研究所欠缺的一環。
關鍵數據
- 在 75% 的配對較量裡，AI 都贏過教授親寫的答案
- 論整體水準，AI 與研究中表現最佳的人類講師不相上下
- 被標為「教學上有害或誤導」的比率：AI 答案 3.5%，同儕教授的答案則達 12%
最常被略過的是第三項，但它或許才是關鍵：盲評時，教授對 AI 答案的安全疑慮，反倒比對同事答案的少。這個結果和「AI 會誤導學生」的通行直覺剛好背道而馳。
受測的系統有哪些
研究這次把市面上的商用家教系統連同 Google 的 NotebookLM 一併檢視，各系統的表現有高有低。完整模型名單並未出現在官方新聞稿裡；論文全文以 PDF 形式公開，同時上架 SSRN（編號 6849678）。另一個值得記住的細節：參與測試的全是現成買得到、用得著的產品，而非特別調校的模型——今天任何一名學生都伸手可得同一批工具，這讓研究比實驗室評測更貼近真實世界。
研究邊界與作者親口的提醒
Nyarko 特別點出一件事：這份研究衡量的僅是「答案品質」，「如何把這些工具落地、真正改善學習成效，仍是開放問題」。白話地說，AI 答得漂亮，不代表用 AI 的學生吸收得更多。盲測本身同樣有極限——40 道題全部限縮在契約法單一科目，16 位教授組成的樣本也稱不上能代表整個法學教育，其他學科就更不用提了。
研究一出，Hacker News 隨即累積起可觀的討論量（417 分、356 則留言），而網友爭執的焦點，多半正是「答疑品質」和「教育成效」之間那道縫隙。
這對教育科技意味著什麼
可以給出三點觀察。首先，「入門級答疑」很可能是高等教育裡 AI 最先被規模化採用的場景——需求頻繁、吃掉教師大量時間，又存在能用盲測檢驗的客觀品質指標。再來，一旦 AI 的答案在盲測裡贏過授課者本人，學校面對的課題便由「該不該禁」轉為「怎樣重新設計答疑與評量」——工具人人可用，禁令根本攔不住。最後，NotebookLM 這種以課程自有教材為依據的工具被嚴謹研究納入檢驗，說明「AI + 自有教材」這類教育應用正開始累積可量測的證據基礎，不再只是行銷話術。