YJ的科學筆記

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...

Transformer 模型近年來因其在自然語言處理和深度學習中的卓越表現而備受矚目，其靈活處理動態數據的能力使其在其他領域也開始展現潛力，今天我們根據一篇發表於 IEEE TMC 2025 的文章，來探討如何利用 Transformer 技術提升多無人機系統的自主控制與協調效率。 Reference: L. Yu, Z. Li, N. Ansari and X. Sun, "Hybrid Transformer Based Multi-Agent Reinforcement Learning for Multiple Unmanned Aerial Vehicle Coordination in Air Corridors," in IEEE Transactions on Mobile Computing, doi: 10.1109/TMC.2025.3532204.  1. 系統背景與研究目標 隨著無人機技術的快速發展，多無人機系統已被廣泛應用於物流配送、災害監控以及城市空中交通管理等領域。然而，如何在密集的空域中實現無人機的自主協調與高效控制，仍是一項極具挑戰的任務。在進入研究問題之前，先來介紹空中走廊的概念，它是一種設計於三維空間中的虛擬飛行通道，用來規範無人機的運行範圍，類似於地面交通中的高速公路。這些走廊通常建模為具有邊界限制的幾何結構，例如水平的截頭圓柱和連接不同高度層的部分圓環。空中走廊的主要功能是通過規範化的通道設計，降低無序飛行所導致的碰撞風險，並同時提升空域資源的利用效率，從而支持多無人機在高密度空間內的協作任務。 本論文聚焦於多無人機在三維空中走廊中的協調導航問題，致力於解決以下核心目標： 安全性 ：避免無人機間的碰撞，並保證飛行過程中不越界。 高效性 ：最小化無人機的總飛行時間，實現高效的資源調度與使用。 自主性 ：無人機基於局部感測數據進行分散式決策，而不依賴集中式控制。 由於無人機的觀測數據具有高動態性和混合結構的特性，這些目標的實現需要克服多數據處理與決策優化的技術難題。 2. 提出的方法與創新設計 為了解決多無人機協調中的挑戰，本論文提出了一個基於 Hybrid Transformer 的多智能體強化學習框架（HTransRL） ，這是一種專為多無人機系統設計的創新方法。主要包含以下關鍵設計： Transfor...