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...

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...

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」，...

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。

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...

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。

 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。

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...

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...

AI正在取代入門工作：職涯的第一階不見了 我們正處於一個劇變的時代。人工智慧（AI）不再是科幻電影的場景，而是已經實實在在走入我們工作場域的夥伴，甚至是競爭者。它正以驚人的速度重塑產業樣貌，特別是對於那些剛要踏入職場的年輕人來說，這股浪潮的衝擊尤其猛烈。 過去，職涯發展就像一座有著清晰階梯的巨塔，我們從最底層的入門級工作開始，按部就班、累積經驗，一步步向上攀升。然而，AI的出現，正悄悄地拆解著這座階梯的第一階。 消失的第一階：當AI成為你的第一個同事 曾幾何時，審查合約細節、在成千上萬行程式碼中找出那微小的錯誤（debug）、或是處理日復一日的基礎客戶服務，這些是新鮮人踏入職場的「成年禮」。這些任務雖然基礎，卻是學習產業知識、熟悉工作流程、建立人際網絡的關鍵起點。 現在，情況不同了。 AI，特別是大型語言模型（LLM），已經能夠高效、甚至更精準地執行這些任務。AI可以24小時不間斷地審閱法律文件、在幾秒鐘內定位程式碼的 bug，並透過聊天機器人處理超過八成的客服問題。當這些傳統的入門級任務被自動化，那原本為新鮮人預留的「職涯第一階」，正在快速地消失。 這不僅僅是工作機會的減少，更是一種學習路徑的斷裂。如果沒有了這些基礎崗位的歷練，我們要如何獲得那些隱藏在繁瑣任務背後的寶貴經驗？ 技術驅動兩極化：要嘛平庸，要嘛卓越 AI的崛起，讓工作世界進一步朝向「M型社會」發展。 一個很好的例子是軟體工程師。過去，一位僅僅「水平一般」的工程師，或許憑藉著市場需求，仍能找到一份足以溫飽的工作。但在今天，當AI可以自動生成基礎程式碼、協助除錯時，這位工程師的價值就被大幅削弱。企業為什麼要聘用一個表現平平的人，而不去善用更高效、成本更低的AI工具？ 與此同時，一位「頂尖」的工程師，卻能將AI玩轉得出神入化。他利用AI作為思考的延伸、創意的輔助，自動化那些耗時的基礎工作，將所有精力專注於更高層次的系統架構、演算法優化和創新研發上。AI不是取代他，而是賦能他，讓他一個人的產出，能夠匹敵過去一個小型團隊。於是，他的收入和價值將呈現指數級的增長。 這並非新鮮事。回顧歷史，從石器時代的鋒利石斧，到工業革命的蒸汽機，再到資訊時代的電腦， 技術的革新總是不斷拉開個體回報的差距 。因為，收入的下限永遠是零，但技術卻一次次地為能力的上限提供了新的想像空間，讓頂尖人才的回報沒有天花板。 在AI時代，平庸的...

在一次導生聚會中，有學生問：「老師，如果我不小心被二一了，怎麼辦？可以不要二一嗎？」也有學生困惑地說：「我對專題沒興趣，中途可以放棄嗎？」 這些問題，讓我不禁反思：我們的教育環境，是不是讓「做自己」與「愛自己」這些話語，變得太輕盈、太輕易了？ 粉紅泡泡下的誤解：「愛自己」不等於逃避責任 近年來，「愛的教育」幾乎成了一種主流語境。「做自己」、「愛自己」這些本應溫暖、療癒的詞彙，被大量傳播與推崇。然而，當它們失去了脈絡與限度，只剩下一味地「取悅自己」、「放過自己」，其實也可能是在助長一種對責任的逃避，甚至是對他人的冷漠。 在我看來，這種價值觀就像是一種精神嗎啡——原本設計給心理受創、過度壓抑者的心靈止痛劑，如今卻被無差別濫用，彷彿每個人都可以隨手吸一口、合理化任何不想面對的情境。 「愛自己」與「做自己」，本來應是一種修復的力量，幫助人們重拾自我價值；但當它變成一句空泛口號，成了不願承擔、不願努力的遮羞布，它就從療癒，變成了一種縱慾——對慾望的妥協，對現實的逃避。 教育的本質：陪伴學生成長，而非幫他們閃避人生 作為一名老師，我認為我們不能放任學生用情緒當藉口、用挫折當護身符。面對困難，不是找理由繞過，而是要學會直視、學會解決。否則，即使這次勉強躲過，下一次還是會被現實攔下。 我們也應該教學生尊重他人的付出。不只是老師的苦口婆心，還包括同學的合作、清潔阿姨默默的辛勞，這些都是支撐他們求學旅程的重要角色。一個不懂感謝、只懂退縮的孩子，即使暫時「做了自己」，長遠來看，也難以在社會中立足。 結語：先負責，再談自由 「做自己」之前，應該先學會「負責任」。這不是要否定自我，也不是要壓抑感受，而是提醒我們：自由從來不是逃避的代名詞，而是建立在成熟與自律上的選擇權。 真正的「愛自己」，是知道自己可以選擇努力、可以面對挫折、可以不放棄。如果我們的教育能讓學生明白這一點，那才是真正有力量的「愛的教育」。

當人生遇上挫折、意外或低潮，我們常會問自己一句話： 「如果我當時不那麼做，是不是就不會發生這些事了？」 這種想法幾乎人人都曾有過。但某天我突然問了自己另一個更特別的問題： 「如果我真的能回到過去，能阻止那場意外發生嗎？」 這樣的思考，讓我走入了一個讓許多對科學有興趣的人都著迷的領域—— 時間旅行 。從物理的角度來看，時間旅行在某些理論框架中確實是可行的。但真正重要的問題是： 我們能靠時間旅行改變過去嗎？ 目前多數物理學的結論傾向於： 不能 。以下是兩個重要的理論依據： 一、歷史為什麼不能被改變？ ✦ 諾維科夫自洽性原則（Novikov Self-Consistency Principle） 這項理論是廣義相對論的延伸，主張只要是可能發生時間旅行的宇宙，所有事件都必須是 自洽的 。也就是說，你可以回到過去，但無法做出違反歷史既有發展的行為。 舉個例子：你想回到過去阻止自己受傷，但結果卻是因為你的介入，才導致那場傷害的發生。這時，你的「阻止行動」反而成了歷史的一部分。 換句話說，你可以參與過去，但 無法修改它 。 ✦ 量子統計力學的補充觀點 近年的研究從量子與熱力學的角度，進一步加強了這個想法： 在封閉類時曲線（CTC）中，時間與能量是離散化的，不是連續可調的。 系統的熵（亂度）有一個上限，這防止了時間的無限重複。 在過去的任何一個時間點，只會存在一個你，也只會發生一種歷史。 這意味著：即使你穿越時空，宇宙也會透過物理機制自動「修正」所有矛盾，使歷史保持一致。 沒有平行版本的你，也沒有另一次機會。 二、那未來呢？我的努力還有意義嗎？ 當過去已成定局，下一個讓人在意的問題是： 「那我的未來也是注定的嗎？我現在的努力還有意義嗎？」 這其實是個更難的問題，但也更貼近我們的生活與選擇。 目前物理學對「未來是否已被預設」 尚無定論 。但可以肯定的是， 沒有任何理論能證明未來是完全固定的 。這代表我們仍有希望——仍有可能主導自己的未來。 三、三種理論視角，重新思考「命運」 ✦ 相對論：現在不是絕對的 根據愛因斯坦的 相對論 ，時間並不是全宇宙統一的節奏。不同的觀察者，在不同的參考系中，對「現在」的定義都可能不同。 這暗示：未來並不是線性排好的車站時間表，而更像是一張路線圖，有許多交錯、岔路與選擇。 ✦ 多世界詮釋（Many-Worlds Inte...

人類對「外星生命」的好奇從未停止過。但我們是否太習慣以地球為模板，認為生命必須由碳構成、依賴水存活、具備細胞？如果我們換個角度，從能量與資訊的觀點出發，會不會打開另一扇探索宇宙的窗？ 🌌 引力波：宇宙中的另類通訊信號？ 近年來，引力波的發現讓我們首次「聽見」宇宙在時空層面的震動。這種現象不依靠光或電磁波，而是透過 時空本身的擾動 傳播訊息，源自黑洞、中子星等極端天體的劇烈活動。 這讓人產生一個發人深省的問題： 如果宇宙中存在外星文明，他們會使用什麼方式傳遞訊息？只有無線電波嗎？還是可能有我們未曾理解的通訊形式？ 在假設外星文明科技遠超我們的前提下，他們可能已經掌握或甚至創造出 操控或辨識引力波訊號 的能力，而這種訊號在人類尚未發展出相對應技術之前，自然難以察覺。 🔥 熵與生命：為何生命是宇宙中的異數？ 宇宙的自然趨勢是「熵增」──也就是無序化、不確定性提升。星體最終會熄滅，能量逐漸均勻擴散，整個宇宙朝著熱寂邁進。 但生命卻恰恰相反。 它吸收能量、排出雜亂物質，維持自身結構穩定。無論是一朵植物、一個細胞，還是一個人類社會， 生命都是在與熵增抗衡的系統 。 這種現象有幾個特徵： 能主動調整自身以適應外部環境。 維持有序結構並排除雜訊。 以最低的能耗完成複雜的資訊處理。 換句話說， 生命就像是一個持續在進行「局部熵減」的資訊處理機器 。 💻 資訊處理與生命行為：有意識的運算 將生命視為一種資訊系統，是當代科學中一個越來越受到重視的觀點。這樣的系統通常具備以下能力： 感知輸入 ：像是感覺器官、化學受體或天線。 處理與儲存 ：如神經網路、大腦或演算法。 作出反應 ：例如行為表現、生化反應或能量轉換。 這樣的模型，不僅適用於人類與動物，甚至也出現在某些非生物系統中，例如人工智慧或複雜的自動化裝置。 資訊輸入、處理與回饋的行為，是生命存在的一個潛在共通語言。 當我們未來在宇宙中觀測到某個系統展現出這樣的訊息處理行為時，即使它與我們完全不同，我們也許就可以合理推論它是「生命」的一種形式。 🧬 不同形式的生命與辨識方法 如果我們放棄生命必須長得像地球生命的想法，那麼我們該怎麼判斷一個系統是不是「活的」？ 以下是幾個可能的標準： 能持續處於非平衡狀態 ：表示它有內部能量與外部能量交換機制。 對環境...

 科幻小說與哲學思辨中，有一種令人著迷的假說—— 模擬宇宙理論 。 簡而言之，它認為我們所處的世界，可能只是一個高等文明創造的超大型模擬遊戲，而我們每個人，不過是這套系統中的角色。 你問我相不相信？ 我會說： 只要科學還沒證實它是虛構的，我就不會說它不可能。 這不是迷信，而是承認人類現有的知識體系，仍有其未能觸及的廣闊邊界。 現實中，許多人常常怨嘆命運。有的是國家的命運，如戰爭；有的是個人的命運，如破碎的家庭。有人選擇逃避，有人默默承受。 但如果這一切，其實都是「系統」設計的任務關卡呢？ 這讓我想起一部動畫—— 《我獨自升級》 。 主角成振宇，一開始只是個最弱的E級獵人，什麼也做不好，什麼也打不過。但他沒有選擇逃避。當他在一次任務中瀕死，卻意外獲得了能夠「獨自升級」的系統後，他的命運徹底改變。 這個系統，不斷給他任務，不斷逼他成長。 他沒得選，只能硬著頭皮接下來，完成它。 因為他知道，逃避也沒用—— 系統會創造新的挑戰，直到你正面迎戰。 這樣的設定，是否與我們真實的人生有幾分相似？ 儘管我們的眼前不會彈出視覺化的任務介面，但我們同樣每天都在迎接生活拋出的各種挑戰。或許，那份莫名的焦慮感、那場突如其來的打擊，就是專屬於你的「副本任務」。也許你尚未意識到，但你其實也正在經歷屬於自己的「升級」過程。 如果這真是一個模擬世界，那我們每個人，就是自己命運的獵人。 而你是否能成長，取決於你願不願意接受這場試煉。 唯有奮鬥，才能打破命運的限制。 唯有直面挑戰，才能成為更強的獵人。 所以，當人生再一次讓你感到挫敗，不妨想想： 也許，這並非命運的刁難或懲罰，而是「系統」正在溫柔地探問你—— 「嘿，你準備好，迎接下一次的升級了嗎？」

最近我看到一份網路調查，超過80%的研究生認為讀研究所只是為了拿文憑。這數字讓人不禁想問：研究所真的是「不得不去」的下一站，還是「值得去」的探索旅程？ 不同世代對於工作的想法其實差很多。4至7年級生（大約1960-1980年代出生）工作多半是為了讓家人過更好的生活，甚至有些人得扛起家計，別無選擇。但8年級生（1990年後出生）或更新的一代，基本上不需要擔心下一餐在哪裡，人生有了更多自由，那麼是不是該好好思考：我的人生要怎麼走，才真正適合自己？ 問題是，我們的教育體制真的幫助年輕人探索興趣了嗎？高中到大學，大多數課程都是標準化、單向輸出的學習模式，學生被塞滿知識，卻很少有人幫助你發掘自己的天賦。直到做專題研究或進研究所，才終於有機會和老師一對一深聊，進入真正的「客製化」學習。 就拿我自己來說，每次和學生初次面談，通常都會聊上超過一小時，目的不是填表格，而是一起找出他們真正喜歡什麼、適合什麼。我一直覺得，能這樣和學生討論未來，是當大學老師最棒的「特權」。 所以，我真心希望大學生能把握這段時間探索自我。研究所不該只是「大家都去所以我也去」，而應該是「我確定自己熱愛這個領域，想繼續深入」。人生這場旅程，真正值得的不是一張文憑，而是找到你想奮戰的方向，然後全力以赴。 人生無常，未來充滿變數，沒有人能保證下一步會如何發展。正因如此，每一天都應該被珍惜，每一個選擇都應該帶有意義。我們無法改變過去，但可以掌握當下，為自己的未來奠定更穩固的基礎。所以，不要把時間浪費在跟風或茫然中，而是積極探索自己真正想做的事，並勇敢邁向那條路。