發表文章

老黃教我們的事：當「偉大來自品格」成為自己的考題

-
有時候，老師苦口婆心講了半天的道理，學生未必聽得進去；但同樣的道理，如果出自老黃之口，學生可能就深信不疑。 這其實不難理解。 老黃創辦 NVIDIA，歷經數十年的挑戰，帶領公司成為 AI 時代最具影響力的科技企業之一。他的成功故事，對年輕人具有很強的說服力。 我並不認為學生崇拜成功人士有什麼不好。相反地，一個具有影響力的成功典範，往往能激勵年輕人勇敢追夢、面對挑戰。 但我也一直認為： 一個人的影響力越大，他所肩負的社會責任也應該越大。 尤其當一位企業家不只是傳授成功的方法，更開始告訴年輕人應該具備什麼樣的品格時，他便不只是企業領袖，也在某種程度上成為了教育者。 2024 年，黃仁勳在史丹佛大學 SIEPR 經濟高峰會上，分享了一段讓我印象深刻的話： 「Greatness comes from character.」 偉大的成就，來自品格。 他認為，真正的偉大並非單純來自智商或聰明才智，而是來自一個人經歷痛苦、挫折與磨難後，所培養出的韌性（Resilience）。 他甚至半開玩笑地祝福史丹佛的學生，未來能經歷足夠多的痛苦與磨難。 因為他相信，品格不是單靠課堂就能輕易培養的，而是必須經過現實世界的考驗。 我相當認同這段話。 從事學術研究多年，我也經常告訴學生，研究能力不只是看一個人有多聰明，更重要的是遇到挫折時，能否堅持下去。 當然，老黃當時談的「品格」，主要是指面對逆境的堅毅、抗壓能力與韌性，並不完全等同於我們平常所說的道德操守。 但我認為，這段話仍然可以延伸出另一個值得思考的問題： 當一個人能夠在事業上克服無數困難，他是否也能在自己犯錯之後，展現相同的勇氣，承擔責任並重新站起來？ 當自己的人生，成為品格的考題 2026 年 11 月，老黃的婚外情事件引發國際關注。 他在致 NVIDIA 員工的信中承認對妻子不忠，並公開道歉，表示自己的行為傷害了妻子與孩子，願意承擔全部責任。 11 月 12 日，NVIDIA 正式宣布老黃辭去執行長及董事職務。 對於他的私人感情，我無意站在道德制高點批判，畢竟每個人都可能犯錯，而婚姻中的許多事情，也只有當事人最清楚。 但是，老黃的情況有些不同。 他不只是丈夫，也是一位具有巨大社會影響力的科技領袖。他過去關於品格、韌性及人生態度的發言，曾經激勵無數年輕人。 因此，我反而認為，這次事件提供了一個非常重要的機會。 讓他用自己的行動，證明那些...
張貼留言
閱讀完整內容

最短的路，不只不是最快，也可能最無趣

-
圖片
  假設一顆小球從靜止出發，在重力作用下，沿著不同軌道抵達相同終點。忽略摩擦與能量損失，究竟哪一條路徑最快？ 這是物理學一個經典的問題，稱為最速降線問題（Brachistochrone Problem）。 直覺告訴我們，兩點之間直線最短，應該也最快。 但數學證明，最快的路徑不是直線，而是一段稱為擺線（Cycloid）的曲線。 擺線的特別之處，在於它一開始急遽下降，讓重力位能迅速轉換為動能，使小球提早獲得較高的速度。即使後段坡度逐漸平緩，仍能憑藉先前獲得的速度快速前進。儘管整體路徑更長，反而能更早抵達終點。 最短的路，不是最快的路。 但如果把這個現象放到人生，我還有另一個感觸： 最短的路，也可能是最無趣的路。 直線雖然簡單、直接，卻少了曲線的起伏與變化。人生何嘗不是如此？那些意想不到的轉折、充滿挑戰的經歷，甚至偶爾走過的彎路，往往才是多年後最值得回味的風景。 這也讓我想到，在學校與同學相處的這些年，常常看到大家努力尋找更有效率的學習方式，希望用更少的時間完成課業、更快達成目標。 其實，這樣的想法很自然。誰不希望自己的努力能夠事半功倍？ 只是有時候，我也會想，如果我們太急著尋找最短的路，會不會不小心錯過了那些真正讓自己成長、甚至讓人生更精彩的機會？ 有些知識需要時間累積，有些能力必須反覆磨練，有些挑戰雖然辛苦，卻可能成為未來最珍貴的養分。 越早累積動能，越能在後段保持速度。這是最速降線帶給我的物理啟發。 人生也是如此。 年輕時，不妨勇敢走上那些看似陡峭的道路，努力學習、探索未知、挑戰自己的極限。即使一開始比別人辛苦，看似走了更遠的路，那些累積的知識、能力與經驗，都可能成為未來前進的動能。 而當人生逐漸走向平緩的道路，希望那時的你，已經擁有足夠的能力與底氣，能夠自由決定自己的步調。 年輕時努力衝刺，不是為了讓自己一輩子都在奔跑，而是希望有一天，即使放慢腳步，也有足夠的能力繼續向前，並且有餘裕欣賞沿途的風景。 當然，人生不是物理實驗，沒有一條保證最快、最好的曲線。但我始終相信，人生的價值不只在於多快抵達終點，也在於這段旅程讓我們成為什麼樣的人。 人生不必急著走最短的路，而要努力走出能讓自己不斷加速的路。
張貼留言
閱讀完整內容

AGI 時代，身為人的價值是什麼？

-
圖片
最近聽到 Yuval Noah Harari（以色列歷史學家、牛津大學博士、全球暢銷書作者)的一段訪談。 他談到一個我覺得很重要的區分。 智慧（Intelligence） ，是達成目標、克服障礙的能力。 意識（Consciousness） ，則是感受痛苦、快樂、愛與恨的能力。 AI 在很多事情上做得比我們更好。 但 Harari 提出一個很有意思的判準： capacity to suffer——能不能真正承受痛苦。 一個大型語言模型可以輸出：「不要關掉我，我很害怕。」 但至少以目前的理解而言，那是 Token prediction。 文字背後，沒有一個正在害怕、心碎或孤單的「人」。 這件事情最近讓我一直思考： AI 比我聰明，那身為人的價值是什麼？ 甚至更直接一點： 如果 AI 什麼都會，那老師的價值又是什麼？ 我想，這可能是 AGI 時代，每個人都應該問自己的問題。 上一代的人，人生常常是為了生存。 黃乙玲〈人生的歌〉裡有幾句，我一直覺得很有重量： 「人生為著啥？」 為生活、為家庭，一路努力下去。 最後卻可能突然發現： 「咱攏是為別人咧活。」 這其實是一種很典型的上一代人生。 為了三餐、工作、家庭而拚命；配合別人的期待、看別人的臉色，久了以後，甚至開始忘記： 故事裡的主角，到底是不是自己？ 而我們這一代，可能第一次有機會面對另一個問題： 當「活下去」不再是人生唯一的目標，我究竟想為什麼而活？ 我越來越覺得， 願意為自己真正重視的事情承受痛苦，是活著很重要的一部分。 因為愛一個人，你可能會受傷。 認真做研究，你可能會失敗。 選擇教育學生，你可能會失望。 承擔家庭，你會失去很多自己的時間。 選一條真正屬於自己的路，也一定伴隨不確定與代價。 但也正因為我們會痛，所以勇敢才有意義。 也正因為可能失去，所以愛才有重量。 因此，我現在重新思考「老師」這個角色。 如果老師的工作只是 傳遞知識、提供答案、修改程式、整理資訊 ，那麼我們的價值確實會快速被 AI 壓縮。 但教育從來不應該只是提供答案。 一個老師真正能留給學生的，也許是：讓他知道什麼事情值得認真；陪他經歷失敗之後，再站起來；在他不知道自己能不能做到的時候，要求他再往前一步； 更重要的是，讓他慢慢找到—— 自己願意為什麼努力、為什麼承擔，甚至為什麼受傷。 能感受到痛苦，也能感受到愛。 也許，這就是身為人的價值。
張貼留言
閱讀完整內容

當無線通道不只是傳輸媒介：談 Wireless Endogenous Security

-
圖片
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...
張貼留言
閱讀完整內容

公平正義與公共責任之間：從全大運事件談起

-
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...
張貼留言
閱讀完整內容

AI 能快速生成程式，但工程能力不會憑空出現

-
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...
張貼留言
閱讀完整內容

當 AI 越來越會做研究，研究者更該守住什麼？

-
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，...
張貼留言
閱讀完整內容