YJ的科學筆記

談到無線通訊，我們很習慣把通道看成一個需要克服的環境。 訊號在空間中傳播，會受到建築物、牆面、地面與其他物體影響，產生反射、繞射與散射；使用者一移動，又會遇到時變通道與 Doppler effect。過去幾十年的無線通訊技術，很大一部分工作都在想辦法降低這些不確定性造成的影響。 所以發展了 channel estimation、diversity、channel coding、MIMO、beamforming 等各種技術，希望讓接收端即使面對複雜的無線環境，仍然可以穩定收到資料。 但近年有一個很有意思的方向，開始反過來思考這件事： 既然無線通道本來就具有隨機性、空間差異與時間變化，這些特性是否不只能拿來「克服」，還能拿來保護通訊？ 這就是 Wireless Endogenous Security（WES，無線內生安全）想討論的核心問題。 安全不一定只能靠「外面再加一層」 傳統網路安全有一個很自然的分工方式。 通訊系統負責把資料可靠地送到目的地，安全則交給密碼學與上層協定處理。資料先經過加密，再透過無線網路傳送；只要接收端擁有正確的金鑰，就能解密。 這套架構非常成熟，而且未來也不會消失。 問題在於，無線通訊和有線網路有一個根本差異：電磁波本身就是在空間中傳播的。只要位在適當的位置，其他人也可能收到同一段訊號。 因此，傳統做法比較像是「假設別人都可以收到資料，但希望他看不懂」。 Wireless Endogenous Security 則多問了一個問題： 能不能在訊號傳播的過程中，就讓合法接收者與其他接收者看到不同的東西？ 這個差異看起來不大，背後代表的思考方式卻很不一樣。 每個位置看到的無線世界，其實不完全相同 無線訊號從發射端到接收端，通常不只有一條路。 一部分訊號直接到達接收端，一部分可能經過牆壁反射，另一部分經過地面、家具、車輛或其他物體散射後才抵達。 最後接收到的訊號，是許多 propagation paths 疊加的結果。 而這個結果和「你站在哪裡」高度相關。 即使兩個接收器距離不遠，只要位置不同，所經歷的多徑組合就可能不同。換句話說，同一個發射器送出完全一樣的訊號，不同位置觀察到的 wireless channel 並不完全相同。 過去我們通常把這件事稱為 fading，然後想辦法減少它對傳輸的影響。 但從安全的角度來看，空間上的差異反而很有價值。 因為合...

這次中央大學承辦 115 年全國大專校院運動會，引發了一些討論。全大運於 2026 年 5 月 2 日至 5 月 6 日在中央大學舉行，主題為「無懼．永續 Run Fearless Run Green」，也是一場全國性的大型校園運動賽事。 事件的爭議主要集中在兩個面向。第一，有學生團體指出，部分大一學生被安排參與全大運志工服務，並與服務學習或畢業門檻產生連結，因此質疑是否構成變相強制。根據報導，學生會與台學聯主張，至少有 8 個系、超過 400 名大一學生受到影響；校方則回應，服務學習已有多元替代方案，並非強制學生一定要參與全大運志工。 第二，則是個資保護問題。報導指出，志工名單曾包含姓名、手機、電子信箱等資訊，並被放在全大運官網供下載；校方後續表示已下架相關資料，並將採取去識別化與權限分級查詢等改善措施。 對我來說，這件事不應該只被簡化成「學生抗議」或「學校委屈」。它其實是一個很好的教育現場，讓我們重新思考：什麼是公平正義？什麼是公共責任？什麼又是年輕人在成長過程中，必須學會分辨的事情？ 公平正義當然重要，該爭取就應該爭取 如果制度不透明，應該檢討。 如果學生權益被忽視，應該被聽見。 如果個資被不當處理，更應該嚴肅面對。 我並不反對學生發聲。相反地，我認為一個學生如果能夠看見制度中的問題，並且願意提出質疑，這本身就是民主社會與高等教育很重要的一部分。 我自己也曾經為了不公平的事情站出來過。當一個人的努力、聲譽、榮譽，沒有被公平對待時，當然應該發聲。當真正付出的人被忽略、被誤解、被制度性地犧牲時，我也會想站出來幫忙。 因為那種不公平，不只是「我不舒服」，而是「一個人的價值沒有被合理看見」。 爭取之前，也要誠實問自己一件事 隨著年紀與經驗增加，我慢慢體會到：在爭取之前，我們也需要誠實問自己一件事。 我是在爭取真正的不公平？ 還是只是因為我不想承擔、不想辛苦、不想被安排？ 這兩件事不一樣。 如果是制度不合理，那當然要討論制度。 如果是權益受損，那當然要爭取權益。 如果是個資外洩，那當然要追究責任。 但如果問題的本質只是：「我想休息」、「我不想做」、「我覺得麻煩」，那就不一定適合直接上升成公平正義的問題。 休息很重要，身心狀態也應該被尊重。但不想辛苦，並不必然等於受到壓迫；不想承擔，也不必然等於制度不公。真正成熟的判斷，是能夠分辨「我的不方便」和「公共的不正義」之間的差異...

有人說，現在有了 Vibe Coding，人人都能寫程式。 但我其實更擔心的是：在這個時代，連我的孩子未來是否還有耐心從 Hello World 開始學，我都沒有十足把握。當你還在一步一步學語法、搞懂迴圈和資料結構時，別人可能早就把網站架好了、介面做出來了，甚至連作品集都上線了。 所以我一直在想，到了這個時代，程式到底該怎麼教？ 我並不否認 Vibe Coding 的價值。它確實讓很多人第一次感受到，原來「做出一個東西」的門檻可以降得這麼低。只要描述需求，AI 很快就能幫你生成一個網頁、一個小工具，甚至一個看起來頗完整的系統原型。這種速度，確實很吸引人。 但問題也在這裡。多數時候，Vibe Coding 做出來的東西，仍然比較像玩具、作業，或展示用的 prototype。它可以跑，不代表它穩定；它看起來完整，不代表它真的可維護、可擴充；它甚至可能在 demo 的時候很順，真正上線後卻漏洞百出。 真正要把系統做得穩、做得久，而且每一步都盡可能接近正確，靠的就不只是「叫 AI 幫我生出來」，而是更完整的工程能力。 如果從淺到深來看，我會覺得這幾年其實慢慢出現了幾個不同層次。最表層的是 Vibe Coding，也就是我描述需求，AI 幫我快速生成結果。再往上一層，是 prompt engineering，意思是你不只是隨便丟一句需求，而是能更精準地下指令，讓輸出更接近你真正要的東西。 但再往下走，事情就沒那麼簡單了。所謂 context engineering，重點已經不是「怎麼說」，而是「模型在這一步到底看到了什麼」。很多錯誤不是因為模型不會，而是因為它沒有看到應該看到的資訊，或者看到了太多雜訊。你要有能力幫它整理上下文，控制資訊流，減少誤判與遺漏。 而最近大家開始談的 harness engineering，就更接近真正的工程現場了。這時候你已經不只是在下 prompt，而是在設計整個 agent system 的工具鏈、流程、驗證、追蹤，甚至是失敗後怎麼修復。換句話說，你不是在「叫 AI 做事」，你是在把 AI 放進一個可約束、可驗證、可追蹤的系統裡，讓它能比較可靠地運作。 這幾個詞看起來很新，但它們其實都在說同一件事：真正困難的，從來都不是把東西生出來，而是讓它在真實世界裡可靠運作。 問題是，新人最缺的往往不是工具，而是場域經驗。他不知道什麼叫做好，無法判斷結果是...

這幾年，AI 迅速進入學術研究的各個環節。從文獻搜尋、資料整理、重點摘要，到初稿生成、語句潤飾，甚至程式除錯與流程自動化，AI 幾乎已經成為研究工作的新工具箱。面對這樣的變化，很多人開始問：如果 AI 能做的事情越來越多，那麼研究者在研究中的核心價值，究竟還剩下什麼？ 最近，一套名為 FARS 的全自動科研系統引發廣泛討論。根據報導，這套系統連續運行 417 小時，也就是整整 17 天，總共產出 166 篇論文，平均 2 小時 17 分鐘就完成一篇。它從翻閱文獻、尋找題目、提出假設、撰寫程式、執行實驗、分析資料，到最後生成論文，幾乎完整複製了一名研究生或博士生的日常研究流程。這樣的消息之所以讓人震撼，不只是因為它快，而是因為它讓我們第一次非常具體地看見：AI 正在從研究助理，逐步朝「研究者」的位置逼近。 如果從人與工具的分工方式來看，科學研究大致可以分成幾個不同層次。最早的研究方式，是研究者主要依靠紙筆、頭腦與自身知識累積來思考問題、推導理論、整理觀點。這種方式最能鍛鍊深度思考，也最能培養對知識結構的扎實理解，但它同時受到人的記憶、時間與資訊取得速度的限制。當知識更新越來越快、跨領域整合越來越重要時，單靠個人腦力與手工處理，研究的效率與廣度都會受到很大約束。 接著是比較典型的現代研究模式，也就是以人為主體，但會主動借助外部資料庫與網路資源。研究者透過 Google Scholar、論文資料庫或各式線上資源擴展視野，再靠自己閱讀、比較、判斷與撰寫。這種模式的優點，在於它仍然保留了研究者作為思考主體的地位，同時也讓研究者能夠吸收更廣、更即時的知識。從學術訓練的角度來看，這仍然是最穩健、最成熟的基礎模式。 而現在，越來越多人已經進入第三種狀態：透過 AI 聊天介面與模型互動，讓 AI 協助做文獻整理、概念釐清、研究架構規劃、文字修飾，甚至直接生成初步草稿。這種研究方式最大的特點，就是速度。很多以前需要花很久時間完成的工作，現在能在更短時間內形成初步成果。對研究者來說，AI 像是一位高效率的研究助理，也像是一面即時回應的鏡子，幫助我們更快看見自己想法的輪廓。 但問題也正在這裡。當 AI 越來越會整理、越來越會生成，研究者很容易在不知不覺中，把「自己真的理解了」和「AI 幫我整理得很像我理解了」混為一談。表面上看起來，工作變快了、文本變完整了，但真正的推敲、懷疑、判斷與內化，...

最近，我在修改幾位學生的論文。 我不是用 AI 改。 我拿起紅筆，一字一句看過，親手修改。 為什麼？ 因為我越來越清楚一件事： 在 AI 時代，真正稀缺的，不是產出內容的速度，而是分辨品質高低的能力。 AI 很強，但也讓「80 分作品」失去價值 這段時間，我每天都在學新的 AI 技能。 從改進 prompt、整理 md 檔案，到各種自動化工作流程，我都持續在摸索、在練習。 AI 確實很強。 強到你很快就能做出一個 80 分的作品 。 但問題也正出在這裡。 當每個人都能快速做出 80 分的東西時， 80 分就不再有價值了 。 你必須追求的，不再是「做得出來」，而是「做得夠好」，甚至做到 90 分、95 分，乃至 99 分 。 問題不在 AI 做不到，而是你看不出差別 以我的使用經驗來說，AI 其實有能力做到 90 分。 但多數人真正的限制，往往不是工具，而是自己目前的經驗與知識不足，導致你根本無法判斷： 什麼是 80 分？ 什麼是 90 分？ 那 10 分的差距，到底差在哪裡？ 當你沒有這種鑑別能力時，你就不可能下出真正有效的 prompt。 因為你根本不知道該要求什麼，也不知道該追問什麼。 所以很多人看起來在用 AI，其實只是把工作「外包」給 AI，最後拿回一份自己也看不懂好壞的成果。 為什麼需要老師傅？因為好壞之間，差的是眼力 一個新手要成長，通常需要有人帶。 你需要一位老手、一位師傅，或者一位在業界打滾很久的前輩，告訴你： 什麼叫做好 什麼叫做非常好 哪些細節不能省 哪些地方才是真正拉開差距的關鍵 但現實是，這樣的人往往不容易遇到。 就算遇到了，也不一定願意手把手教。 這也是為什麼現在很多報導都在談： AI 正在砍掉新鮮人成為專業人士的路徑。 以前，初階工作雖然辛苦，但它是一條訓練路徑。 你透過一次次做、一次次被修正，慢慢建立判斷力。 可是現在，很多初階工作直接被 AI 吃掉，新人還沒來得及在基礎工作中鍛鍊，就已經被要求交出成熟成果。 結果就是：工具變強了，但人成長的階梯卻變少了。 回到學校：論文，是你展現工程實力最好的舞台 對學生來說，論文不只是交差，也不只是畢業門檻。 它其實是你展示自己工程能力、邏輯能力、細節掌握能力的最好舞台。 所以，我想跟學...

OpenAI 推出專門輔助科學寫作的 AI 工具，能直接生成 LaTeX 格式的學術內容。對許多人而言，這象徵著研究效率的巨大躍進，彷彿只要想法到位，論文就能被迅速「寫出來」。然而，對仍在學習如何成為研究者的大學生與研究生來說，這類工具帶來的，未必全然是好消息。 科學寫作從來就不是文字生成的問題，而是理解的問題。它要求研究者能精確表達物理定律、數學模型與背後的假設邏輯。當一名學生對這些基礎理解仍不夠扎實時，AI 並不會補上這個缺口，反而可能把理解不足所導致的錯誤，包裝成看似專業、結構完整的文字。真正的風險不在於 AI 會不會犯錯，而在於使用者是否有能力辨識那些錯誤。 這樣的風險，在缺乏文獻閱讀訓練的情況下會被進一步放大。學術寫作的風格、語氣與結構，其實是一種長時間浸泡在高品質論文中才會逐漸形成的「內在標準」。透過大量閱讀，研究者才會知道哪些論述在學術社群中是可接受的，哪些表述會被視為過度延伸或不夠嚴謹。當學生尚未建立這樣的判斷力，就過早仰賴 AI 生成內容，他們很可能只是無意識地複製了一套自己無法評估好壞的寫作模式。 許多人以為 AI 的出現會讓寫論文這件事變得輕鬆，但實際上，它改變的是責任分配，而不是努力總量。過去，研究者大致是「懂多少，寫多少」；現在，卻很容易變成「寫出來的內容，超過自己真正理解的範圍」。在這種情況下，研究者理應在事後投入更多心力去驗證每一句話的正確性，確認其中的物理意義、數學敘述與邏輯推論都站得住腳。理論上，AI 使用得越多，文獻閱讀與反覆查證就應該越密集，而不是越少。 也正因如此，閱讀文獻這件事，在 AI 時代不但無法被取代，反而變得更加關鍵。當部分文字不再完全出自自己的腦袋，研究者就更需要透過文獻來建立「校準點」，確保所寫下的內容沒有偏離學術社群的共識與規範。對真正想成為研究者的人來說，邊寫作、邊大量閱讀文獻，是一個最低限度的要求。 在這樣的背景下，指導教授的角色也變得更加重要。AI 不會為論文品質負責，期刊與審稿人也不會因為工具的存在而降低標準。真正需要承擔後果的，仍然是學生與指導教授。因此，負責任的指導並不是全面禁止 AI，而是清楚界定使用工具的時機與界線，並要求學生能對自己論文中的每一段敘述，給出清楚且合理的解釋。 AI 的確能加速寫作流程，但它無法替代理解、判斷與責任感。對正在學習做研究的學生而言，真正值得投入時間的，依然...