全球科技競爭正在從應用創新重新深入基礎科研。 人工智慧不再只是大型語言模型、軟體服務與商業應用，而是進入蛋白質結構、材料發現、藥物設計、能源與自主實驗等「AI for Science」（AI4S）領域。 科技強國爭奪的核心，也從單一產品與市場規模，轉向基礎科學、科研人才、算力、實驗平台與知識生成能力。 台灣高教此時面對的最大問題，不是少子化本身，而是主管機關仍以法規、補助、評鑑與KPI管理高等教育，沒有形成與全球科技競爭相對應的人才與科研戰略。 少子化只是把長期累積的結構問題提早暴露。 學生總量下降，部分大學縮編退場；另一方面，電機、資工、半導體相關科系持續集中高分學生、經費與師資，基礎科學及其他領域的人才空間快速收縮。

半導體是台灣的重要優勢，但整個高教體系長期向單一成功產業集中，也形成類似「荷蘭病」（Dutch Disease）的資源排擠。 當物理、化學、數學、生物等基礎學科逐漸弱化，半導體本身未來需要的材料、量測、量子、能源與跨域科研能力也會失去根基。 人才競爭更加凸顯台灣缺乏主體戰略。 美國大學積極吸收全球優秀學生，本來就是美國科技與人才政策的一部分。 台灣主管機關卻一方面面對本土大學招生困難與研究人才流失，一方面積極協助美國大學來台招生，並將學生赴海外就讀視為國際化成果。 學生出國當然不是問題，問題在於政府沒有同步回答：台灣自己準備留下什麼人才、建立哪些世界級研究領域，又準備用什麼制度把海外人才重新連結回本土科研體系。

沒有這套戰略，國際化最後只是單向輸出人才。 根本問題在於，教育行政與高教戰略是兩種完全不同的能力。 行政管理重視法規、程序、預算、核銷與考核；高教戰略必須判斷未來十年哪些知識領域正在形成、哪些人才將成為國家競爭力核心、大學如何與國家實驗室及產業形成研究網絡。 台灣長期習慣把重大教育問題轉成專案，把專案轉成補助，把補助再轉成KPI。 行政程序完成了，知識結構卻沒有改變。 所謂「諾貝爾獎養成計畫」正好反映這種治理思維。 諾貝爾級研究不是行政體系可以按照年度目標生產的成果。 真正重要的是讓優秀研究者擁有長期穩定資源、研究自主權、跨領域合作環境，以及承受失敗的空間。 政府能做的是建立土壤，不是挑選幾個人列管，再用專案考核追蹤得獎進度。

把科學突破當成政策KPI，本身就代表對科研生成機制缺乏理解。 AI4S讓這個問題更加迫切。 AlphaFold已經證明，人工智慧可以直接改變科學研究方法。 AI現在可以參與假設生成、模型推論、實驗設計、資料分析與結果驗證，科學家與AI開始共同進入知識生成循環。 這不只是多學一套程式，也不是在各系增加生成式AI課程，而是重新改造物理、化學、生物、數學與資訊教育的訓練方式。 真正的AI4S人才，必須理解科學問題，也能建模、運算、設計實驗與判讀結果。 化學系多開一門Python，不等於完成AI4S改革；把幾門不同科系的課程拼成跨域學程，也不會自然產生跨域能力。

核心應回到科學訓練本身：提出假設、建立模型、進行推論、設計實驗、驗證結果，再根據證據修正模型。 AI只是把這個循環加速並擴大，不會取代基礎科學。 台灣真正應該向美國學習的，也不是科系名稱、學制或課程包裝，而是美國如何把研究型大學、國家實驗室、企業研發、國防科技與全球人才市場連成一個科技生態系。 台灣已有半導體、精密製造、生醫與工程基礎，更應從自己的產業與科研條件出發，重新配置基礎科學、AI4S與高階工程人才，而不是繼續複製別人的教育形式。 全球科技競爭已經重新回到知識源頭。 少子化決定學校數量，AI4S決定科研方法，國際人才競爭決定國家的知識能力。 這些問題都不是增加補助計畫與評鑑指標可以處理。

台灣高教真正缺少的不是行政工具，而是知道哪些能力必須留下、哪些科研必須長期投資、哪些人才必須自己培養的國家戰略。 當教育部仍用行政治理管理一場全球科研競爭，失去的最後不只是幾所大學或一批學生，而是下一個科技世代的知識自主權。 ＊作者為科管專家、美國理工博士