發表文章

你不是沒天分，你只是逆著大腦的「紋理」在努力

-
大學裡最常見的一種焦慮，不是「我做不到」，而是「我做得到，但我好像不快樂」。你可能也有過這種感覺：課你都能上，報告你也能寫，考試也能過，可是每一步都像在消耗，做完之後不是成就感，而是更深的空洞。於是你開始懷疑自己：是不是我不夠聰明？是不是我其實沒有天分？是不是我永遠都找不到方向？ 《紐約時報》暢榜冠軍作家Robert Greene 在《精通》（Mastery）提過一個很重要的提醒：真正能走到卓越的人，往往不是靠硬逼自己，而是找到了自己大腦天生的偏好，把努力變成內在驅動。這句話聽起來像勵志語錄，但它的底層其實非常科學，也非常殘酷——因為它暗示了：你痛苦，不一定是你不行，很可能是你一直逆著自己的神經系統在前進。 我們可以把大腦想像成一塊木頭，它有自己的木紋。有些方向切下去，會很順，刀子滑過去的那一刻甚至會帶著快感；有些方向切下去，不是切不動，而是每一下都要更大的力氣，還會裂開、卡住、磨損。這就是所謂「大腦的紋理」。它不是你有沒有意志力的問題，而是你在做的事情，和你的注意力系統、獎勵系統、學習模式是否匹配。 你一定見過這樣的人：有人看一眼就懂圖像與結構，有人一碰到語言就進入某種神奇的狀態，也有人只要遇到可以拆解與推理的問題就停不下來。這些不是努力多寡造成的差異，而是每個人的神經迴路在「被什麼吸引」「如何形成連結」「什麼會帶來快感」這些地方，本來就不同。真正的差距，常常不是智商，而是匹配。 那我們要怎麼找到自己的紋理？最早的線索，通常藏在童年。不是你小時候拿過什麼獎，也不是你小時候被說很厲害的那件事，而是你小時候「會自己做很久」的事。你不需要有人鼓勵，不需要有人肯定，就算沒人看，你也會重複做。你甚至可能曾經因此被罵過：為什麼一直拆東西？為什麼一直問為什麼？為什麼一直沉迷在那些奇怪的小細節？那種「內心的微弱拉扯」，就是你真正的種子。 很多人會問：如果每個人都有種子，那為什麼我們長大後都迷路了？原因很簡單：種子沒有不見，只是被外部動機蓋住了。進入學校之後，分數變成指標；進入職場之後，薪水變成指標；你開始被告訴哪些路才是有前途、哪些選擇才是聰明。你當然可以順著走，而且你也可能走得很成功，但如果那條路不符合你的紋理，你會慢慢發現：努力變成消耗，成就感變得脆弱，你需要更多外界回饋才能撐住自己。你不是不努力，你只是把意志力用來對抗自己。 所以，真正重要的不是「我要選什麼工作」，...
張貼留言
閱讀完整內容

AI 時代，為什麼你還是需要按順序讀教科書？

-
現在的大學生越來越習慣用 AI 來學習。遇到什麼不懂的地方，就立刻開 AI 問一句，幾秒鐘就能得到答案；有些人甚至乾脆跳過教科書，覺得一個問題一個答案的方式比較快、比較有效率。 這看起來很合理，但在多年教學生涯裡，我越來越清楚地看到一件事： 如果只靠 AI，學生學到的往往是許多「點」，但缺乏能把這些點串起來的「線」和「架構」。 AI 給你的通常是直接、快速、簡化的回答，像是告訴你某一棵樹長什麼樣子。但真正的學習需要的是看懂整片森林——它怎麼長出來、樹之間有什麼關係、為什麼森林裡的生態是這樣運作。沒有這些脈絡，就算聽起來懂了，通常也只是表面的理解。一旦遇到更複雜的題目或需要跨章節整合的內容，就會突然卡住，因為缺少的是 整體的思考路徑 。 其實，教科書的章節順序不是用來折磨學生，而是作者幫你排好的一條「最佳學習路線」。它的設計邏輯就是要一步一步帶你往上走：先建立基礎，再慢慢增加難度，等到你走到最後，整套系統已經在你腦中成形。如果跳過這些該打的地基，只靠 AI 回答問題，很容易看懂當下那一段文字，卻無法真正掌握背後的知識架構。 AI 的確是一個很棒的工具，但它最適合的時機不是「取代教科書」，而是「當你真的卡住時，來幫你補破洞」。先跟著教科書的順序走，遇到某個地方怎麼看都看不懂，這時候再問 AI，它就能把複雜的概念拆得更清楚，或用不同角度重新說一次，甚至舉些生活化的例子，讓你換個方式理解。這樣的學習方式既能保持整體架構，又能利用 AI 增強理解，效果反而更好。 說到底，AI 可以讓學習變得很快，但它沒辦法替你補足架構。真正能讓你在考試、專題或未來的工作中站得穩的，是那一層一層累積的基礎與脈絡。那些看起來比較慢的章節順序，反而是幫你省去未來迷路的時間。 如果你願意把教科書當成主幹，把 AI 當成輔助，你會發現自己的理解會越來越完整，也更能真正掌握你學的東西。
張貼留言
閱讀完整內容

為什麼強化學習比大型語言模型更接近「真正的智慧」？

-
圖片
近年來，大型語言模型（Large Language Models, LLM）如 ChatGPT 席捲全球，不僅能寫程式、生成文章，甚至能通過一些專業考試。很多人因此認為這就是「人工智慧」的終極形態。 但強化學習（Reinforcement Learning, RL）的奠基者之一 Richard Sutton 卻持不同看法——他認為 LLM 是一條「死胡同」，而真正的智慧必須回到 RL 的核心：和世界互動、嘗試、犯錯，並學會從後果中成長。 以下整理 Sutton 的觀點，以及我對這些觀點的延伸思考。 1. LLM 只是模仿，而 RL 在學習世界如何運作 LLM 的學習方式，本質上是「模仿」：它透過龐大的文本資料學習「人類在特定語境下會說什麼」，因此能很擅長接話或補完句子。 但這樣的學習過程並沒有觸及世界的因果規律。對 LLM 而言，重力、摩擦、推力、甚至「如果我推倒一個積木會發生什麼」這些，都只是文字裡的描述，而不是它透過經驗學到的真實規則。 相反地，RL 是一個 行動－回饋循環 ：它讓智能體（agent）在環境中採取行動，觀察結果，然後根據「獎勵」來調整策略。這種方式更接近人類與動物的學習方式。 2. 真正的智慧來自「與世界互動」 嬰兒學走路、學說話，並不是因為有人給他一個完整的「語料庫」；而是因為他們跌倒過、模仿過、嘗試過，最後才逐漸掌握規律。 智慧不是被動地「吸收」文字，而是來自主動的探索。 智慧 = 嘗試 + 觀察 + 修正 。 3. 目標智慧的核心 LLM 的唯一目標是「預測下一個詞」，這是一個 封閉的、與現實脫節的目標 。它沒有在真實世界中「成功」或「失敗」的概念。 相對的，RL 的目標是最大化獎勵，例如走迷宮要走到出口、打籃球要把球投進籃框。這些目標讓智能體有了明確的方向，能區分「好」與「壞」，並因此不斷改進。 就像籃球練習一樣： 模仿別人投籃的動作（LLM）不代表你能投進球，但透過一千次投籃並調整角度（RL），你才真正學會如何投進球。 4. LLM 與 RL 的關係：模仿 + 試錯 這並不是說 LLM 一無是處。LLM 可以幫助我們快速掌握知識、模仿專家語言，甚至在早期給 RL 提供參考的啟發。 但若要走向真正的智慧， RL 的試錯學習必不可少 。模仿只能給你一個起點，真正的進步來自與世界的互動。 5. 為什麼機器人是關鍵？ Sut...
張貼留言
閱讀完整內容

《我只是想快樂打球》──從血論文事件，看見教育與夢想的兩難

-
最近，看到爆出的「血論文」事件，我心裡揪了一下。 為了申請與執行研究計畫，老師需要列出產出成果；而這些成果常常被簡化為「論文數量」、「發表紀錄」，於是學生的論文視為績效壓力的延伸，過度要求發表、忽視學生學習過程中的感受與選擇，引發大量討論——不只是對師生關係的批判，更延燒到整個高教制度的反思。 「老師／教練，我只是想快樂打球。」 教育現場裡，這樣的聲音並不陌生。 學生說：「我只想完成合格的論文，不想為了研究拼到失去生活。」 球員說：「比賽輸贏是教練的壓力，我只是想快樂打球。」 我可以理解這樣的心情，因為我自己也曾是那個想快樂打球、快樂學習的年輕人。 「競技」這個詞，裡面本來就含著「競爭」； 學術研究，也本身就帶著某種程度的「責任」與「挑戰」。 想要成果，想要突破，絕對少不了努力與磨練。 但努力應該是為了所愛，而不是被績效制度綁架成無盡的壓榨。 🧩是學生讀錯科系，還是世界太血汗？ 我們的大學教育體系，是否早已把「發表」變成唯一價值？ 是否忘了學術訓練的核心，是啟發，而不是壓迫？ 我們逼著學生走在一條追求論文發表的跑道上，卻不問他們是否熱愛賽道本身。 那麼，是學生選錯了路？還是我們的大人世界本就太過血汗？ 🌱 教育現場的反思 我衷心希望，全台灣的老師、教練們都記得： 如果學生真的太痛苦了，就別逼他們了。 自由、熱情、與自我成長的空間，應該永遠優先於績效、輸贏。 燦爛不凡的表現，不該是血汗堆出來的； 浪漫勇敢的堅持，應該是為了所愛，而不是為了不甘落後。 學術與競技，都值得追求卓越； 但唯有讓熱情生根，努力才有意義，勝負才有靈魂。
張貼留言
閱讀完整內容

做自己，也要夠強 - 從Z世代學生到Iverson給我的啟示

-
 最近我跟學生們討論到出席這件事。我對學生們說了一句話： 「你可以選擇不出席課程。我知道，有些課你可能覺得學不到什麼，也許你早就掌握內容了。但這樣的選擇，會影響到別人對你的看法、對你的認同。」 我只是想讓他們知道—— 行為與他人觀感之間，是有連結的 。 但學生的反應卻讓我停下腳步。 學生回答我：「我覺得不需要活在別人的觀點下。為什麼要在乎別人怎麼看我？我只想對得起自己。」 這樣的回答，其實很有道理。 他不是在挑戰規則，而是在捍衛自我。 Z世代，強調的是 自由、自主、心理健康 。他們不喜歡虛偽的儀式，也不想為了表演而出席。他們在意的是：「 我有沒有選擇權？我是不是自在地做自己？ 」 我開始反思：是我們這個世代太拘謹？還是他們太過追求自由？我們強調責任與角色，他們強調感受與自由。 我想起了 Allen Iverson 在這樣的反思中，我突然想起了 NBA 傳奇球星 Allen Iverson。 Iverson 缺席球隊練習，他的教練公開表示：「他應該以身作則，帶頭練球。」 他被批評「不負責任」、「破壞團隊文化」，但他沒有改變。因為他知道，他在 比賽中的表現，足以讓世界閉嘴 。他用得分、助攻、防守與拼勁，證明了他不是個隨便的人。他只是選擇了屬於自己的方式，來證明他的價值。 自由沒錯，但你要夠強 「你可以選擇不出席課，但你們要強大到，讓人對你們的選擇無話可說。你可以不在乎別人的觀感，但你要有能耐讓別人尊敬你。」 這不只是對Z世代的提醒，也像是我對自己說的話。 我們的世代，也許過於在乎別人怎麼看。但他們的世代，有時也忽略了： 選擇自由的人，也得承擔自由的後果。 結語：做自己，也要有力量 Allen Iverson 曾經說過：「我不是完美的人，但我真實。」這句話，他之所以能真實，是因為他真的強。 這個世代的孩子，不缺勇氣。他們敢拒絕、敢質疑、敢做自己。但我希望他們也學會： 要把自由撐起來，靠的是實力與責任感的雙手。 自由不是特權，它是你努力之後，才能贏得的權利。
張貼留言
閱讀完整內容

給教育現場的建議：如何在AI時代維護學生的思辨與實作能力

-
根據2025年麻省理工學院媒體實驗室（MIT Media Lab）發表的研究《Your Brain on ChatGPT》，長期依賴大型語言模型（LLM）進行學術寫作，雖可短期提升生產力並降低挫折感，但卻會造成 認知負債（Cognitive Debt） 的累積。研究指出，使用AI輔助的參與者，其大腦活動的神經連接顯著弱化，推理能力下降，對自己作品的記憶與所有權感也變得薄弱。更令人擔憂的是，這些影響在移除AI後仍未能完全恢復，顯示 過度依賴AI會抑制大腦深層思考與創造性學習的能力發展 。 這項發現對教育現場投下了震撼彈，提醒我們：若不正視AI帶來的思考結構改變，未來的學生可能會成為操作AI的高手，卻是失去思考力的「語言外包者」。因此，不同教育階段必須採取對應策略，有意識地引導學生在AI時代中鍛鍊出真正的理解力與問題解決力。 🎓 教育者的三階段行動建議 國高中階段： 強化基本功，限制AI參與 學生在這一階段正處於知識內化與邏輯思維建構的關鍵時期，若過早依賴AI，可能會削弱其長期的學習潛能。 建議措施： 考試與作業應限制或禁止使用LLM。 鼓勵手寫作業、心智圖製作與口語表達練習。 老師可安排「AI與人腦誰寫得更好？」的小組討論，引導學生認識AI的優劣與侷限。 大學階段： AI輔助學習，但保留核心認知訓練機制 進入大學後，可逐步開放學生使用AI工具，如 ChatGPT 作為資訊輔助、語言潤飾與構思啟發工具。但仍須透過設計來確保學生的 理解力、批判力與問題解決力 不被削弱。 建議： 教師應在課堂中示範如何「正確使用AI」而非依賴AI。 評量方式可保留部分 封閉式測驗（closed book） ，考驗學生是否真正理解基礎知識。 若採用報告或口頭報告： 應納入口試（口頭問答）環節，教師即席提問，以判斷學生是否為內容真正作者。 減少僅以書面繳交即完成的報告，避免AI代寫情形。 鼓勵學生在 事前無AI輔助條件下 先構思報告，再利用AI檢查觀點、拓展內容或潤飾語句，形成「AI+Human」協作模式。 研究所階段： 深度討論與口試把關，確保真正理解與創新能力 研究所階段的學習應聚焦於創新、獨立思考與工程應用能力的鍛鍊。過度依賴AI可能讓學生失去解決問題的真本事。 建議： 指導教授應與學生進行頻繁討論，透過問...
張貼留言
閱讀完整內容

你的大腦正在「認知負債」嗎？研究揭示：過度依賴ChatGPT可能讓你變笨

-
在這個資訊爆炸的時代，大型語言模型（LLM）如 ChatGPT 已成為許多人學習和工作的得力助手。它能快速生成論文、回答複雜問題，甚至幫我們寫程式。然而，當我們將思考的重擔交給AI時，我們的大腦正在發生什麼變化？一篇來自麻省理工學院媒體實驗室（MIT Media Lab）的重磅研究，為我們揭示了這便利背後令人擔憂的真相。 Kosmyna, Nataliya, et al. "Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task."  arXiv preprint arXiv:2506.08872  (2025). 這篇題為《使用AI助理撰寫論文時大腦的認知負擔累積：你的大腦與ChatGPT》的論文，深入探討了在學術寫作中，使用LLM所帶來的認知影響 。 實驗設計：AI vs 搜尋引擎 vs 自力思考的大腦 為了量化影響，研究團隊將54名大學生隨機分為三組： AI組 ：僅能使用 OpenAI 的 GPT-4o 撰寫論文。 搜尋引擎組 ：可使用 Google 等傳統搜尋引擎，但禁止使用LLM。 僅大腦組 ：禁止使用任何外部工具，完全依靠自身知識。 實驗為期四個月，在最後的第四次實驗中，研究人員還進行了有趣的「工具轉換」測試：讓AI組改用純大腦寫作（LLM轉大腦組），而僅大腦組則換用AI輔助（大腦轉LLM組） 。研究人員透過腦電圖（EEG）監測參與者的大腦活動，並分析論文的品質與原創性。 誘人的「捷徑」：認知負荷降低，但推理能力下降 研究發現，與傳統的網路搜尋相比，使用LLM的參與者，其 認知負荷降低了32%，尋找資訊的挫敗感和付出的努力也顯著減少 。不僅如此，LLM使用者的 整體生產力甚至提升了60% 。 聽起來很棒，對嗎？但問題來了，你偷的懶，終究不會放過你。 研究指出，AI 使用者在資訊處理上更少主動思考，缺乏將新知內化為「心智圖示（mental schema）」的歷程。長期下來，將導致理解能力與推理能力明顯下滑。事實上，AI 組的推理品質整體低於搜尋引擎組，顯示「把思考外包」讓我們的大腦失去了精進與串連知識的機會。 大腦掃描的鐵證：萎縮的神經網路 最令人震驚的發現來自於腦電圖（EE...
張貼留言
閱讀完整內容