YJ的科學筆記

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，...

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...

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...

在當今 AI 領域， 知識蒸餾（Distillation） 是一個重要的技術，它的核心概念來自於一個簡單的觀察： 可以將一個大型、複雜的模型（Teacher Model）所學習到的知識，壓縮並傳遞給一個較小的模型（Student Model），使其在效能上仍然表現優異。 這樣的技術不僅能夠降低運算成本，還能讓小模型在較少資源的情境下發揮高效的推理能力。例如，大型的 Transformer 模型如 GPT-4 或 BERT，可以透過知識蒸餾將精華萃取出來，轉移到更小、更輕量的模型，使其更容易部署在行動裝置或邊緣運算設備上。 然而，這個概念並不僅適用於 AI， 它與教育的本質驚人地相似 。 從知識蒸餾到教育傳承：教師與學生的互動 在教育現場，老師與學生的關係其實就像是 Teacher Model 與 Student Model 之間的知識蒸餾過程。 1. Teacher Model（老師）— 見識廣博但龐大 老師經歷了長年的學習與研究，閱讀過大量的文獻、參與過各種研究計畫，掌握龐大的知識與經驗。但這些知識如果不經過整理和提煉，直接傳授給學生，學生往往無法完全吸收。 2. Student Model（學生）— 學習並提煉精華 學生相較於老師，模型較小（經驗較少、知識較淺），但學生有一個優勢： 學生可以透過與老師的互動，學習老師的精華知識，並在內化後發展出自己的高效學習與研究方法。 在這個過程中，老師不只是單純地傳授知識，而是將知識提煉、轉化成學生能夠理解、內化的形式，這正是教育的價值所在。 AI 世代下的師生互動：如何讓知識傳承更有效？ 在 AI 世代，我們的學習方式正經歷轉變，師生互動的模式也應該適應新時代的需求。以下幾點是可以參考的做法： 1. 注重啟發式教學，而非單向灌輸 知識蒸餾的一個關鍵技巧是 軟標籤（Soft Labels） ，它能讓 Student Model 不只是學習最終答案，而是學會 如何 得出答案。同樣地，在教育中，老師不應只是單純地給學生標準答案，而是應該引導學生思考 為什麼這個答案是對的？如果條件改變，會產生什麼影響？ 2. 給學生適當的挑戰，促進自主學習 一個好的 Teacher Model 會讓 Student Model 在學習的過程中適度挑戰，讓它能夠成長。在教育中也是如此，老師需要根據學生的學習狀況，設計適當的問題與任務，讓學生在解...

這個月，我在一場國際學術研討會演講後，與一位來自美國加州大學聖地牙哥分校（UCSD）的博士生進行交流，他提到他正在研究大型語言模型（LLM）在6G中的應用。而恰巧最近，中國人工智慧公司深度求索（DeepSeek） 發布了其最新語言模型 DeepSeek-V3。該模型以僅約 558 萬美元的訓練成本，展現出與 GPT-4o 和 Claude-3.5-Sonnet 等頂尖模型相媲美的性能。儘管 LLM 在自然語言處理領域取得了驚人的進展，其在無線通訊網路領域的應用仍面臨不少挑戰與限制。作為一名無線通訊技術的研究者，我認為在未來五年內，LLM 對該領域帶來的技術突破可能相對有限，以下是我對這一議題的一些觀點。 1. LLMs 的特性與無線通訊需求的技術差異 LLMs 是基於大規模文字數據訓練的生成式模型，其核心功能是預測文字序列中的下一個單字或片段。然而，無線通訊網路的設計對於多層面技術需求的精準性與實時性提出了極高要求，包括頻譜效率、能量效率、超低延遲以及高可靠性。 (1) 頻譜效率挑戰 ： 現代無線通訊技術中，頻譜資源是一個極為有限且昂貴的資源。在毫米波（mmWave）以及太赫茲波（THz）頻段的應用中，系統需要極為複雜的信道估計與編碼技術來實現高頻譜效率。而 LLMs 缺乏處理物理通道訊息的能力，尤其是在需要基於 CSI（Channel State Information）或 RSS（Received Signal Strength）進行即時調度的場景中，無法有效參與。 (2) 延遲與實時性限制 ： 在 URLLC（Ultra-Reliable Low-Latency Communication）場景下，傳輸延遲需要被壓縮到微秒級別。LLMs 的推理時間由於模型規模巨大，通常難以滿足這一級別的即時性要求。此外，模型推理的算力需求可能導致邊緣設備上的功耗增加，與6G倡導的低功耗設計理念背道而馳。 2. 通訊技術的創新需要深厚的物理和數學基礎 (1) 通道建模與電磁波傳播的複雜性 ： 無線通訊中，通道建模是系統設計的基石，涉及多路徑效應、都普勒頻移、遮擋和干擾等因素的精確分析。這些現象通常需要基於物理規律和統計學的精細建模，而非基於自然語言數據的統計學特性來解決。例如，利用射線追蹤（Ray Tracing）技術來模擬電磁波在城市環境中的傳播特性是現有系統設計的主流方法，...

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...

隨著無線通訊技術日新月異，資料隱私與安全需求也日益重要。基於通道狀態資訊（Channel State Information, CSI）的物理層密鑰生成（Physical Layer Key Generation, PLKG）技術逐漸嶄露頭角。PLKG 利用無線通道的互惠性及空間獨特性來產生加密密鑰，不同於傳統仰賴計算複雜度的加密系統，有望在軍事通訊和物聯網等高度安全需求的領域中扮演關鍵角色，提供更強大的資料保護能力。 通道狀態資訊（CSI）扮演的角色 正交分頻多工（OFDM）是一種廣泛應用於現代無線通訊的多載波調變技術，它將頻帶分割成多個子載波，有效應對多路徑衰落和頻率選擇性衰落。在 OFDM 系統中，藉由發送已知的導引信號（Pilot Symbols），接收端可以估計各個子載波的通道狀態，進而獲得精確的 CSI。CSI 是無線通訊系統中描述發送端與接收端之間通道狀態的重要資訊，CSI 能協助發送端調整傳輸參數，進而優化通訊效能，如提升資料傳輸量、可靠性及能源效率。在物理層金鑰生成（PLKG）中，CSI 被用於提取無線通道中的秘密資訊，藉由測量接收信號強度（RSS）和相位資訊等來產生金鑰。然而，環境雜訊和信號干擾可能影響測量結果，導致金鑰的隨機性和可靠性降低，為 PLKG 的實際應用帶來挑戰。 物理層安全技術的進展 為克服上述挑戰，近年來文獻上提出了許多針對 PLKG 的改進技術。例如，自適應量化、人工雜訊波束成形以及物理層加密策略等方法，皆有助於提升密鑰生成的有效性。這些技術藉由增強無線通道的隨機性和互惠性，使 PLKG 在實際環境中的應用更可靠。 物理層加密技術利用無線通道的不可預測性，無需事先共享的秘密或額外的加密協議，即可實現安全的密鑰交換。此外，輔助中繼通訊系統和安全的開關傳輸技術也被證明能有效增強密鑰生成的穩定性。 PLKG 的應用與挑戰 PLKG 技術在眾多領域展現出巨大的應用潛力。例如，在軍事通訊中，PLKG 能確保機密資訊在敵對環境中安全傳輸；而在物聯網環境中，PLKG 則能提供設備之間的安全連接，防止未經授權的存取。此外，PLKG 在移動載具中的應用也備受矚目，特別是在無人機（UAV）等移動設備上。無人機執行任務時，例如巡邏、搜救或物流配送，必須在高度動態的環境中維持穩定的通訊連結。PLKG 可以利用無人機和地面站之間的通道狀態變化，產生動態密...

你有沒有試過問 GPT 一個簡單的算術題， 結果它卻給了你一個錯誤答案？這種經驗點出了生成式 AI 的一個重要特性：在某些情況下， 它還是有明顯的限制。 這篇文章將探討這些限制如何反映 AI 在數學推理上的不足， 並進一步討論 AI 在通訊領域未來應用中的潛在機會和挑戰。 語言模型的局限性：模式匹配與邏輯推理 大型語言模型（LLMs），像是 GPT，在生成文本時常常依賴模式匹配，而不是真的進行數學推理或邏輯推導。所以，當 LLMs 被用於數學證明時，過程的嚴謹性和正確性可能就沒辦法保證。有時候，模型生成的答案看起來好像合理，但實際上卻是錯的，這在數學和技術應用中尤其要小心。 AI 生成新猜想的能力與限制 目前研究發現，雖然 LLMs 有能力生成新的數學猜想，但這些猜想的有效性和科學價值還是需要人類專家仔細驗證。AI 可以激發新靈感，幫助研究者突破傳統的思考框架，但它沒辦法取代人類數學家在數學結構上的直覺和嚴謹判斷。所以，AI 生成的結果需要經過嚴格審查，特別是在需要高精度和可信度的學術研究中。 通訊領域的機會：從物理現象到實際需求 不過，通訊領域的問題可不只是數學理論和公式而已，還會受到物理現象、使用者體驗和實際應用場景的影響。所以，相較於單純進行數學推導，LLMs 在設計和優化下一代通訊網路系統方面具有更高的應用潛力。因為通訊系統需要應對現實世界中各種複雜的狀況，而 AI 擅長處理大量數據並找出其中的模式，可以幫助我們找到比傳統方法更有效率的解決方案。LLMs 可以支援優化網路資源配置和負載平衡，或是根據電信商的自然語言指令自動生成設備配置，幫助網路管理員快速應對動態變化的需求。結合 LLMs 與感知技術（如影像數據）可以加強對環境的理解，提升網路的覆蓋範圍和連接穩定性，特別適合無人機或自動駕駛等應用。隨著模型規模的增大，AI 的推理能力也在不斷提升。未來，大型語言模型將能透過推理來修正自身的直覺，進一步突破科學和工程上的瓶頸，設計出更智慧、更有效率的系統，實現各種創新，並推動通訊技術的突破。 結語 未來研究有幾個方向值得特別關注。首先，要促進跨領域合作，結合數學、電腦科學和通訊工程等不同領域的專業知識，才能提升 AI 在通訊領域的應用深度。再來，要提高 AI 模型的數學理解能力，減少因為模式匹配而導致的推理錯誤。另外，要開發專門針對通訊領域的 AI 工具，針對特...