發表文章

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

在 AI 時代，我為什麼還是用紅筆改學生論文？

-
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...
張貼留言
閱讀完整內容

當 AI 幫你寫論文時，你是否真的理解你寫下的每一句話？

-
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...
張貼留言
閱讀完整內容

一日水電工，讓我重新理解「不會被 AI 取代」是什麼意思

-
我住的地方地板淹水。 水電師傅來了，看了一下排水孔，很快下了結論： 「水孔有阻塞，但這個不是我能處理的，要找別人。」 我站在濕答答的地板上，一時之間有點不知所措。 那時，我腦中突然浮現一篇我看過的報導： AI 最容易取代的，是那些「坐在電腦前、重複處理資訊與文字」的工作； AI 最難取代的，反而是真正動手、處理現場不確定性的工匠型工作。 於是我做了一個決定： 在 AI 的幫助下，我自己修。 從小蘇打到通管器 第一步，我照著建議，使用小蘇打加熱水。 結果很快就知道—沒效。 於是第二步，我跑了一趟五金行，買了通管器。 接下來幾個小時，是不斷重複的嘗試、失敗、調整姿勢、再嘗試。 老實說，一度非常挫折。 就在我心裡想著「再試最後一次，不行就放棄」的時候，我突然抓到了使用的訣竅。 不是用力，不是快，而是慢慢旋進、感覺阻力、再調整角度。 我感覺到阻塞開始鬆動了。 水通了，但問題還沒結束 水開始能排了，但我心裡出現一個疑問： 我怎麼知道，水管裡還剩多少污垢？ 我不可能看到水管內部，也不可能知道是否真的「完全清乾淨」。 用排隊理論理解排水這件事 我突然意識到，這個問題其實可以抽象成一個排隊系統： arrival rate（λ） ：進入系統的水流量 service rate（μ） ：排水系統能處理、排出的水流量 阻塞的本質，不是「有沒有垃圾」，而是： 當 λ > μ，系統就會累積，水就會回湧。 清管這件事，並不是一定要把 μ 提升到「無限大」， 而是只要讓 μ 大於我實際使用時可能出現的最大 λ，系統就會穩定。 於是，我換了一個驗收標準。 我找出自己平常使用時的最大水流量，用這個流量做測試， 再加上一個「一次大量倒水」的極端情境。 只要在這兩種情況下： 水位不持續上升 停水後能在合理時間內排空 那就代表，在我的使用模型下， μ 已經足夠大了 。 學到的兩件事 回頭看這件事，我其實更體會到兩件事。 第一，AI 並不是讓我們「什麼都不用會」。 我更清楚地知道： 哪些事可以請 AI 幫忙思考， 哪些事必須自己動手、感受、修正。 第二，不會被 AI 取代的能力， 不只是單純的「體力活」， 而是在不確定的現場， 把問題轉換成 可理解、可驗證模型 的能...
張貼留言
閱讀完整內容