YJ的科學筆記

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...