Esse, of Something

AI時代的思維鍛鍊

noreply@blogger.com (Ting S. Yo) — Sat, 24 Oct 2026 01:23:33 +0000

上一篇講數學家跟 OpenAI 最近的恩怨，文末提到在 AI 時代，「提出好問題」跟「驗證」的能力，會比「提出解答」更為重要。然而，目前大部分的研究都指出，無論是「認知卸載」（cognitive offloading）或是「認知投降」（cognitive surrender），長期使用 AI 必然會導致個人認知能力的下降，那麼，「變笨」之後的我們又要靠什麼來「提出好的問題」跟「驗證 AI 提供的解答」呢？

前幾天恰好在 Nature Podcast 聽到這篇 "How to stay smart in the age of AI: the science of critical thinking"，試圖回顧與「批判性思考」相關的研究，來找出一些「不要變笨」的方法。原文可由此去。

認知外包處理會移除「思考摩擦」，引發技能退化與「理解的錯覺」

學習的本質，在於「付出認知努力的過程」（cognitive processing）。當我們將提出假設、解釋證據與面對不確定性等認知任務直接交給 AI 的時候，我們的核心思考能力就開始慢慢退化。幾篇已經發表的研究都顯示，依賴 AI 一段時間後，會導致不用 AI 時的認知能力下降。例如，中學生在失去 AI 工具後，解答數學題的表現比從未使用過 AI 的學生更差。

此外，AI 讓我們可以輕易而快速地獲得現成的答案，容易讓使用者產生「理解的錯覺」（illusion of understanding）：誤以為自己已掌握知識，但實際要求進行解釋時，卻無法精確的表達。

批判性思考並非通用能力，而是高度依賴「特定領域知識」與「後設認知」

批判性思考並不是一種抽象、可隨意使用在任何問題上的通用技能，而是依據個別學科的背景知識與推理方法，以不同的型態展現出來。例如，歷史學重視史料的交叉佐證，而科學領域則關注理論、假設、實驗方法與證據之間的關係。因此，培養批判性思考無法脫離具體的專業內容，而是必須將推理技巧融入領域知識，並進行大量的練習。

同時，一系列的研究也指出，養成深層學習和批判性思考最有效的策略之一，是對自身學習與思考的過程進行思考、規劃與監控，也就是所謂的「後設認知」（metacognition）。

對抗智力退化與假訊息，必須主動建立驗證機制並人為維持「認知摩擦」

面對網路假訊息與 AI 生成內容，大眾普遍過度自信，因此需要學習查核的技巧，例如主動離開原始頁面，並向可靠的第三方來源查證，也就是所謂的「橫向閱讀」（lateral reading）。

文中也指出「認知摩擦」（cognitive friction）對學習是有益的。要防止腦力退化，最關鍵的習慣是在詢問 AI 之前，先由自己進行獨立思考與構思論點，並在事後透過自我評估與書寫來深化理解，避免直接被 AI 的答案牽著走。

一些想法

時至今日，AI 的認知能力越來越強大，「AI 是不是贏過人類」已經不是一個很值得探討的問題，更重要的是：「人何以為人」。

是的，總有一天 AI 可以幫我們完成所有的工作，那麼，我們是不是就整天躺著就好？

如果不是，那你要做什麼？

數學家與 OpenAI 的恩怨情仇

noreply@blogger.com (Ting S. Yo) — Tue, 20 Oct 2026 06:41:18 +0000

近期數學界跟 OpenAI 發生了不少交集，或者該說是「惹怒了一夥數學家」更為貼切一點，這應該也算是 AI for science (ai4sci) 的重大事件，於是想寫下這篇做點紀錄。

用 AI 攻克數學百年難題

首先，是今年（2026）九月上旬的「破解 Navier–Stokes 方程式的優先權爭議」（已經有維基條目了：Navier–Stokes priority controversy）。

2026年9月8日，OpenAI 發表聲明，宣稱找到了「 Navier–Stokes 方程式存在性和光滑性問題」在光滑外力作用下的證明。然而，在 OpenAI 發佈公告前約12小時，紐約大學數學家 Tristan Buckmaster 發表聲明，聲稱他和 Levent Alpöge 近期在 Euler equations（Navier–Stokes 方程式的一個特例）方面取得了進展；然而，他們的成果在數天前被洩漏給了 OpenAI，並可能啟發了OpenAI在生成所謂解決方案的過程中對智能體的提示。隨後，OpenAI 否認直接使用了他們的研究成果，並聲稱兩個問題的證明方法存在「顯著」的差異。

數學家爭這個先後，大抵是因為學術名聲和100萬美元的獎金，而 OpenAI 則是在為 IPO 做衝刺，需要證明自家的產品夠厲害。然後，這個事件就停在「兩造說法莫衷一是」的狀態，沒有怎麼延燒下去，主要是因為接下來 OpenAI 做了聲勢更加浩大的事情。

2026年10月6日，OpenAI 發表了另一篇聲明：「分享 AI 在數學領域的進展」，一口氣丟出了 722 篇論文手稿，放在 GitHub repo 上，內容包括：

對於約 4,000 個開放性數學問題的評估結果
每個結果的平均計算成本，相當於使用內部模型進行約三小時的 ChatGPT Pro 思考
其中部份評估的論文手稿，並提供了可透過電腦驗證的 Lean 形式化證明
包含修訂與引用規範，且支援存取過往版本

這個舉動立即引起了軒然大波：知名數學家陶哲軒代表人類數學協會（AHM）發表聯合聲明，呼籲數學家們全面抵制OpenAI。聲明指出，「一口氣發佈700多個文件，這根本不能算是科學研究，純粹只是在炫耀算力霸權。我們強烈敦促所有數學家停止與OpenAI合作，重回以人類理解為核心的科學願景。」

數學家憤怒的緣由

這群數學家們之所以如此憤怒，是因為前述的第一個事件發生後，OpenAI為了展現「我們絕對有合作誠意」的姿態，拉著普林斯頓高等研究院設立了「數學與 AI 諮詢小組」（AGMAI），而陶哲軒也是小組成員。當時 OpenAI 官方也發布了聲明，宣稱要與數學界深度合作，共同對數學研究做出貢獻。

AGMAI 成立後所發佈的第一份諮詢報告（9/29），就明確畫出使用 AI 進行數學研究的紅線：先進 AI 公司不應該在內部模型上擅自測試高深數學難題。然而，OpenAI 隔了一個禮拜（10/6），就用內部模型一口氣刷了 4000 道數學難題，還順手把700份 AI 寫的手稿砸在了所有數學家的臉上。

陶哲軒與AHM的聲明裡指出，「OpenAI 無視諮詢小組所建議的核心前提，表示 OpenAI 對科學研究的規範全然不屑一顧。數學家對進步有著特定的願景，這種願景植根於歷史與學科自身的考量。我們拒絕 OpenAI 所謂此次發佈推動了數學發展的說法，並敦促數學家與公眾對這項發表模式的價值保持應有的懷疑。」（OpenAI一次釋出722篇AI論文引戰陶哲軒帶頭數學家聯合抵制｜鉅亨網）

簡單地說，就是 OpenAI 原本希望跟數學界達成和解，然而數學家們提出的建議大概是不符合公司管理層的心意，於是轉頭就把桌子一掀：「好啊，不然大家都別玩了」。

陶哲軒說這是「黑道行徑」，換做是你，會不會生氣？

一些想法

雖然數學用得不少，但我畢竟不是數學家，也沒想過可以靠「破解數學難題」來得獎或拿獎金，所以對這起事件，從一開始有點隔岸觀火看熱鬧的味道。

其他沒參與 AGMAI 的數學家，像是在對岸清華任教的邱成桐，或許是因為沒被直接打臉，所以反應也有點事不關己。

如果從商業的角度來看，OpenAI 這一連串的作為，明顯是受到競爭對手 Anthropic 的刺激：後者稍早宣佈了已經攻克兩個數學界的百年難題，讓 OpenAI 感覺需要跳出來說：「那算什麼，你看我更厲害！」畢竟 OpenAI 掌門人 Sam Altman 的好鬥已經是有口皆碑。我不是說我認同 OpenAI 的作法，而是這樣的作法完全符合這位 AI 大老的行事風格。

前兩天一篇「數學家也砸機器了，AI 面前眾生平等」，把 AGMAI 的聲明類比為工業革命時的「盧德運動」（紡織工人半夜潛入工廠砸毀紡織機），顯然是比我幸災樂禍得多。雖然文章內容誤把「抵制特定公司」解讀成「全面抵制 AI」，但有個觀點值得參考：

大部分數學問題分為提出、解決和驗證三個步驟，自己一個人走完三步驟的很少，大部分頂尖數學問題的這三個步驟都是由不同的人完成的。其中最大的蛋糕，會被分配到解決問題的人。提出問題的人分到的蛋糕就少很多，而且通常都是很多年之後的名氣，沒什麼實際好處，很多時候甚至人都已經沒了。
而驗證的人幹的是苦活累活，只能喝一點湯湯水水，拿到的蛋糕比提出問題的人還少，但可以在世的時候拿，所以願意幹的人也不少。所以解決數學難題，是數學家出人頭地最快的方式，不解決幾個數學難題想被稱為數學天才那幾乎不可能。這就是數學界的規矩，最重解決數學問題的能力。

作者認為 AI 的出現，讓「解題」變得容易，所以蛋糕的分配必然需要重新調整，也是他認為數學家們會憤怒到去「砸機器」的原因。

無論如何，這個事件讓我們更加確定，從錯字檢查到數學難題，無論任務的困難程度如何，只要是有「標準答案」可以參考的，都免不了被 AI 攻陷。未來，能「提出問題」和「驗證解答」，恐怕遠比「提出解答」重要得多，而這兩者其實需要更多的知識儲備和專業訓練。

學海無涯，唯勤是岸。

人工智慧與勞動力的未來

noreply@blogger.com (Ting S. Yo) — Sat, 17 Oct 2026 11:13:35 +0000

知名 podcast "Silicon Valley Girl" 近期訪問了 MIT 教授，諾貝爾經濟學獎得主達龍·艾塞默魯（Daron Acemoglu），討論人工智慧發展對人類社會的影響。艾塞默魯認為，AI 應該作為提昇人類生產力的工具，而非取代人類。

達龍·艾塞默魯（Daron Acemoglu）指出，當前人工智慧產業過度偏重基礎模型與以降低成本為目標的自動化，而這個走向很可能會引發勞動力的危機；產業應當轉向研發輔助人類與創造新價值的應用，例如：協助護理師、電工及教師等基層工作者提高生產力的產品。

艾塞默魯也對當前產業盲目追求「以基礎模型達成 AGI」的單一目標不以為然，他認為技術的推廣需要審慎的整合過程，而企業與創業者應當更聚焦在利基市場與高品質數據，避免盲目取代人力。

以下是 AI 摘要的四個重點：

自動化（Automation）vs. 賦能勞工（Pro-Worker AI）

純粹自動化的盲點：單純將 AI 用於替代人力、裁員以降低成本，無法帶來可觀的整體生產力飛躍。這種做法不僅消滅大量職位，且無法創造共享繁榮。
賦能勞工回報更高：比起將 5% 的工作自動化並降低一半成本，讓所有員工的生產力提升 5% 所帶來的商業回報與經濟效益遠遠更大。企業的核心競爭力在於員工的經驗、創新與解決問題能力，AI 應作為「賦能勞工（Pro-Worker AI）」的工具，協助人類完成新任務與解決複雜問題。

AI 影響速度與行業差異：鋸齒狀前沿（Jagged Frontier）

技術擴散速度比預期慢：儘管智能體 AI（Agentic AI）發展迅速，但將 AI 整合至企業組織需要大量配套調整與互補性投資，過程既困難又緩慢。
不同行業的自動化難度極大：

程式碼（Coding）：因完全在數位環境中進行、且有明確的對錯規則（Ground Truth），能獲得最快速的自動化進展。
客服、醫療與教育：充滿人際社交屬性、個人化需求與灰色地帶，AI 客服單獨運作常成為「噩夢」，更需要人機深度的協同合作。

業價值的重配：從基礎模型轉向「應用與高質量數據」

基礎模型並非最大獲利池：美國矽谷過度集中於基礎模型（Foundation Models）與 AGI 的幻想，卻忽視了實際應用的開發。
真正的機會在於垂直應用與數據：最能提升生產力的應用往往藏在護理師、教師、電工、藍領與製造業等領域。此外，一線勞工掌握了大量的「隱性知識（Tacit Knowledge）」，開發者必須深入第一線與勞工溝通，才能打造出真正有價值的垂直應用。

未來人類工作的核心價值與個人應對策略

打牢學科硬實力：真正的創造力需要堅實的基礎知識。建議學習數學、物理、經濟學與工程學等學科，培養人類獨有的批判性思考與數理素養。
掌握與 AI 協同的靈活性：將 AI 當作研究、校對、激發批判思維的「互補工具」，而非全盤交出思考主導權。
適應非線性職涯與社群意識：未來在同一職業內的工作內容會不斷隨技術變化，需要極高的適應力，同時必須加強公民責任與社群合作意識。

[books] 亞瑟．布魯克斯的「幸福檔案」

noreply@blogger.com (Ting S. Yo) — Tue, 13 Oct 2026 06:37:23 +0000

書名：幸福檔案：一個哈佛教授的生命洞察，快樂工作與生活的33 個核心法則

作者：亞瑟．布魯克斯（Arthur C. Brooks）

簡介：

亞瑟．布魯克斯（Arthur C. Brooks）是美國知名的行為科學家、哈佛大學教授、《紐約時報》暢銷書作家，也是當前全球研究「幸福學與生命意義」的代表性專家之一。

這本「幸福檔案」是Brooks 最近期的書，在 2025 年 8 月由哈佛商業評論出版（英文版），旋即登上紐約時報的暢銷書排行榜。

這本書的內容基於 Brooks 長期關於「幸福感」的科學研究與刊登在 The Atlantic 上的 "How to Build a Life" 專欄，核心概念是「像創業一樣經營你的人生」（Treat Your Life Like a Startup）：掙脫既有狀態以及他人觀感的束縛，透過反覆的實驗、測試、調整，承擔評估過的風險，藉以型塑自己的人生。

這33篇散文，主題涵蓋了「自我管理」，「工作、財務與事業」和「工作生活的平衡與人際關係」，以科學研究的成果提供具體的建議。

一些想法

這本書最特別的地方在於書中的建議非常具體，像是「怎麼花錢才會有比較高的幸福感」，Brooks 的具體建議是「買體驗」、「買時間」和「捐出去」，這就比單純的介紹研究結果或是講大道理更有實用性。

當然，對我自己來說，閱讀本身帶來的樂趣倒是比實用性大得多。

「模擬人類」的商業模式

noreply@blogger.com (Ting S. Yo) — Sat, 10 Oct 2026 08:17:18 +0000

前幾天看到一家矽谷新創公司 MatrAIx 的創辦人訪談（兩位華人），覺得蠻有趣的：他們利用大語言模型「角色扮演」的能力，打造了整套的商業模式，讓客戶可以在各種情境下透過 AI 來加速「取得使用者回饋」的流程，加速客戶在產品研發與市場行銷策略上的調整與迭代。

他們稍早也發表了一份研究報告："MatrAIx: Simulating the World with 8.3 Billion Persona Agents"，把 MatrAIx 定位為：解決傳統人工評估數位產品與人工智慧系統時既昂貴又緩慢的難題。

MatrAIx 的核心在於 Persona 8B，它包含了83億個有 1,290 個維度特徵的虛擬角色，能夠逼真地模擬出真實人類在面對不同情境時的各種反應與偏好。MatrAIx 提供了四種主要的互動環境（問卷調查、互動交談、網頁和應用程式），涵蓋多個領域的1000多項應用任務，讓研究人員能夠在大規模的虛擬場域中，觀察不同背景用戶的行為表現，藉以測試與調整產品。

一些想法

會對這家公司感興趣，主要是最近也在做相關的研究。基於人權和倫理的考量，一般以「人」為對象的科學研究，都需要事先申請、經過審核，然後才能實際進行（這是另一個話題，有興趣請參考這裡）；而這個審查的流程很花時間，因此很多研究人員已經開始嘗試讓 AI 扮演「虛擬人」，來擔任「被研究的對象」。因此，MatrAIx 的商業故事，背後的確是一個很大的市場。

然而，經過我自己過去幾個月的「實驗」，我發現大語言模型的「角色扮演」能力，其實還蠻受限制的。如果是模仿某個名人的語氣跟反應，那大概效果都還不錯，但如果真的試圖深入去「控制」所扮演的角色細節，尤其是大規模的測試，那麼往往會發現這些控制其實只是我們自己的幻覺：大語言模型在預訓練和 RLHF 階段的調整，已經大幅降低了某些行為出現的機率。

也因此，MatrAIx 團隊宣稱的「83億個虛擬色」和「1290個維度」，我是有點懷疑在實際的行為表現上會不會有大多數是雷同的。

當然，如果 MatrAIx 的大語言模型是自己預訓練或微調過的，情況可能會有所改善，而且我也衷心希望這個商業模式可以成功。

脈絡語言模型（Context Language Models）

noreply@blogger.com (Ting S. Yo) — Thu, 08 Oct 2026 09:23:09 +0000

這篇 "Context Language Models"（CLM）是 Meta 跟 U of Washington 以及 MIT 的學者近期發表的論文，提出一種能夠「原生管理自身上下文」（natively manage their own context）的大語言模型。

今年以來，關於「如何用好大語言模型」的典範，已經從單純的「提示詞工程」（prompt engineering），歷經「脈絡（上下文）工程」（context engineering）、「駕馭工程」（harness engineering）發展到「循環工程」（loop engineering）。前兩者比較偏向「單次使用大語言模型」的 best practice，後兩者則是幫大語言模型搭上額外的輔具，以處理更複雜的問題。這篇文章提出的「脈絡語言模型」（或是上下文語言模型），就是設計一個可以自行管理「上下文」的大語言模型，然後可以進一步套進 harness 或是 loop 裡。

如同圖片右上角所顯示的公式，CLM 將對話或工作歷程視為一個檔案，並且能夠對這個「檔案」進行無限制的更新（unrestricted updates）。透過模型內設計的策略學習與最佳化演算法，CLM 可以自主學習，並且決定哪些資訊最需要被保留在檔案中，作為系統的上下文脈絡（Context as a File）。

這樣的設計，先天上就支援多 Agent 協作（Multi-Agent Extension），讓多個 Agent 共用同一個脈絡，並且進行互動。

CLMs 內建的策略學習與最佳化機制

零樣本（Zero-Shot）：論文中直接使用現有的大語言模型來建立 CLMs，在多項任務上都超越了 SOTA 的外部上下文管理策略，而且使用的計算資源（FLOPs）更少。
上下文學習（In-Context Learning）：可透過技能優化循環（skill-optimization loop）衍生出的自然語言指令引導模型，顯著提升上下文管理在各項任務上的準確率，同時降低計算成本。
強化學習（Reinforcement Learning）：透過線上強化學習（online RL）進一步訓練模型的上下文管理能力，顯著提升模型的執行效能。

整體來說，這對於打造「全自動化的 agent」是非常有效率的工具；但如同所有的「無須人類介入」的發展方向一樣，對人類來說，就少了學習與動腦的機會。長期來說，是不是好事還很難說。

廚房裡的手

noreply@blogger.com (Ting S. Yo) — Wed, 07 Oct 2026 10:37:22 +0000

最近雜務纏身，先寫一段印象深刻的兒時記憶。

之前提過幾次，我小的時候，祖父母經營一間小雜貨店，當時家人大多住在同一條巷子裡，平時方便互相照應，我也算是跟著一群哥哥姊姊一起長大。

馬路的對面，住了天道盟某羅姓大老的家族，沒有什麼人敢在這附近鬧事，加上派出所就在不遠處，所以治安還算可以。

直到有一天，發生了一件驚悚的事情。

那時我在念小學，某天放學回家，我按照慣例到巷口的祖父母家報個平安，結果發現雜貨店門口站了幾個警察，而平常這個時間已經在準備晚飯的祖母，正心神不寧的坐在藤椅上，身旁有一位員警在向他問話。

這種「大人的事情」，小孩子當然馬上被趕回家，到了晚餐的時候，才從祖母口中聽說了事情的始末。

其實也不是什麼複雜的狀況，就是有人拿著西瓜刀追債，被追的人四處逃竄，從雜貨店門口直接就闖了進來，跑進廚房，想從後門跑進小巷裡。這位被追債的，在跑出後門的時候，拉著鐵門的欄杆順手把門關上，大概是想可以阻擋一下手持兇器的追債者，不料追兵眼明手快，一刀就往欄杆上的手砍了上去。

整個過程很短，大概不到半分鐘。真的是說時遲那時快，不信你把上面的文字念一遍，大概會超過30秒。

然後，根據祖母的說法，就是「一隻手掉在廚房裡」。當時她正在廚房準備晚餐，只聽到外面一陣吵雜，還沒搞清楚發生什麼事情，就看到地上的手跟滿地的血，嚇得要死。接著就有人報了警，警方來現場處理，做個紀錄，然後就是我回家時看到的那一幕。

附圖就是事情發生的那個廚房跟那扇門，拍的時候已經離事發將近40年了，雖然沒整修過，但大概也看不出痕跡了。

事後想想，祖母說的「一隻手掉在廚房裡」應該是誇大其詞了，照片裡的鐵門欄杆間距不大，被砍到的應該是「手指」而不是整隻手掌，不過對於一般老百姓來說，也已經是夠嚇人的了。

多年後，某次跟同事閒聊，發現同事小時候也是住在附近，講起這件事，同事表情略顯尷尬的說：「其實我家裡有些親戚，就是幫人家追債的... 」想來也是難得的巧合吧。

霰彈槍與武士刀

noreply@blogger.com (Ting S. Yo) — Sat, 26 Sep 2026 06:26:29 +0000

小學的時候，寒暑假在家沒事，偶爾會幫祖父母顧雜貨店，我印象中賣出過最多的東西是黃色長壽煙，一包22塊錢。而遇到要買米、買蛋（要稱重）、買酒的（在倉庫架子上，我身高不夠，拿不到），抱歉，請等大人回來。

有一次，一位員警背著一個網球拍的袋子走進店來，我看著他，意思是「你要買什麼？」（是的，我是個不愛講話的 I 人。）

警察轉頭張望了一下，問我：「阿公阿嬤不在嗎？」

「應該很快就回來，不然你等一下？」

不久，祖父回來，員警旋即把「網球拍」交給祖父，說：「好了，今年登記好了。」

警察臨走時，回頭問了一句：「你考慮一下，這樣每年登記也蠻麻煩的？」

當時我完全不明白大人們在說什麼，後來才知道，那個「網球拍」袋子裡，裝的是一把霰彈槍。由於「槍砲彈藥管制條例」的規定，每年要送交到管區登記，當時員警是把登記完成的物件送還，並建議祖父直接上繳，省得每年還要走一次流程。

這把槍，跟祖父櫃子裡的一把武士刀，是祖父年輕時從軍的日本同袍所贈。二戰結束後，日本人要被遣返，這些東西都不能帶走，於是便贈送給祖父。

後來長大之後，祖父母搬來跟我們同住，我再也沒見過這些東西，或許真的是嫌麻煩上繳了吧。

如何檢驗非共識判斷的正確與否？

noreply@blogger.com (Ting S. Yo) — Thu, 24 Sep 2026 09:27:30 +0000

上一篇談到「非共識判斷」（Non-consensus and right），其中真正帶來價值的，不是「非共識」，而是「正確」。但我們要怎麼判斷一個別出心裁的新想法，究竟是基於專業與認知優勢的洞見，還是單純的異想天開或是譁眾取寵呢？要知道，大部分非共識的想法之所以沒人做，純粹是因為它們本身就是爛點子。

在高度不確定的情境下，要判斷一個想法究竟是建立在客觀的實質認知優勢上，還是落入了自我想像的認知偏誤中，本來就是不容易的事情；幸而過去在創新與投資領域的研究與經驗中，提供了我們一些「如何避免把偏激當遠見」的檢驗方法。

1. 非共識判斷來自於大眾共識的什麼盲點？

要證明市場共識是錯的（因此這個非共識可能是對的），我們必須先能解釋「為什麼大家都這麼看」。如果大眾的結論是基於不可撼動的物理定律或數學邏輯，唱反調通常很難有說服力；但如果大眾的共識來自結構性的盲點，非共識正確的機率就會大幅提高。克雷頓·克里斯汀生（Clayton Christensen）在《創新的兩難》中提到了一些常見的結構性盲點：

底層假設已經過時（Paradigm Shift）：過去行不通，是因為當時的技術、成本或基礎設施不成熟。大眾依循歷史經驗認為「這件事以前很多人試過都失敗了」，卻忽視了大環境已經改變。例如：早期電子商務受限於頻寬與物流，但光纖普及後，環境條件已完全不同。
體制與激勵機制扭曲（Incentive Blind Spots）：大機構和職業經理人受限於「職業風險最小化」，傾向做共識決策（「買 IBM 的人從不會被開除」）。很多機會因為規模太小、回報週期太長，或不符合季度 KPI，被主流機構集體忽視。
社會規範或道德偏見（Cultural Taboos）：某個領域因為讓人感覺骯髒、邊緣或不體面（如二手翻新、垃圾回收、特定成人娛樂），主流聰明人不屑涉足，從而形成低競爭的真空藍海。

霍華德·馬克斯（Howard Marks）在「第二層思維」中提到，在評估市場時，不能只問「這家公司好不好」，而要問「市場普遍預期是什麼？為什麼他們會形成這個定價？他們的共識遺漏了什麼？」。因此，基於結構性盲點的非共識判斷，更有機會是正確的。

2. 非共識判斷的形成邏輯

我們要問：這個非共識的想法，是根據什麼思考邏輯形成的？它是否出自於第一手的數據與觀察（Ground Truth），並且符合「第一性原理」（First Principles Thinking）？

彼得·提爾（Peter Thiel）在《從0到1》中提出了一個「秘密理論」（Secrets）。Thiel 強調，成功的非共識創業必須建立在一個「真實存在，但主流社會未曾察覺或不願承認的秘密」之上，而非憑空捏造的幻想。

「第一性原理」（First Principles Thinking）最早由亞里斯多德提出，近代知名的提倡者有理查·費曼（Richard Feynman）與伊隆·馬斯克（Elon Musk），主張將事物的推理還原到最基本的物理與邏輯本質，不要依賴「別人都這麼認為」的類比慣性，也不要做過多的假設。

如果一個非共識判斷，其出發點是出自於第一手的觀察資料，而且論述的形成符合第一性原理，那麼這個判斷是正確的機率也會比較高。相對的，如果點子是出自於個人喜好或直覺，而論述邏輯建立在「想當然爾」的宏觀敘事上，那或許就還有待更進一步的驗證。

3. 面對質疑的態度

非共識判斷究竟是屬於偏執或是洞察，也可以從提出人面對「反向證據」時的態度來判斷。

科學哲學家卡爾·博普爾（Karl Popper）提出，「可證偽性（Falsifiability）」是「科學」與「非科學」最大的區別。真正的真理必須包含「在什麼條件下我是錯的」之具體指標，無法被證偽的非共識通常只是狂熱信仰。

因此，真正基於智慧的決策通常要預先設定一個「停止條件」（Kill Criteria / Falsifiability），在把想法付諸實行前明確地寫下：「如果發生了什麼指標（X），就證明我是錯的，我必須認賠退場」。而「非共識但錯誤」的提出者往往不斷搬移球門（Moving the goalposts），把每一次失敗都歸咎於「市場還不懂我」。

任何非共識的想法，都會長期面對持續不斷的挑戰，因此如果提出非共識想法的人，能夠站在反對反對方的立場挑戰自己的想法，進行「鋼鐵人論證」（Steel-manning），那麼這個非共識想法最後是正確的機會也比較高。

4. 測試非共識想法正確性的策略

非共識判斷先天就有很高的失敗率，也因此在驗證的階段需要合適的策略，以減小失敗的風險。理想上，驗證想法的架構設計必須保證「錯了不會死，對了賺翻天」。

這個看法來自於納西姆·塔雷伯（Nassim Taleb）在《反脆弱》與《隨機騙局》書中所提到的「凸性效應」（Convexity / Optionality）：在面對高度不確定性時，理性不在於「預測每次都準」，而在於「下行損失限定在有限的範圍，而上行收益具有無限倍增的潛力」。

此外，艾瑞克·萊斯（Eric Ries）在「精實創業」（The Lean Startup）一書中提出的「最小可行性產品」（minimum viable product, MVP），也是極佳的測試策略。將「非共識判斷」具體設計成一系列低成本的可測試假設，先以極小規模驗證關鍵的反常識節點，一旦市場反饋驗證了你的預期，再迅速擴大投入，以確保先行者的利潤窗口。這樣的作法，也可以避免在錯誤的非共識上一意孤行。

整體來說，我們可以從「非共識的由來」、「形成判斷的邏輯」、「面對反對意見的態度」，以及「驗證判斷的策略」等四個面向來檢驗一個非共識判斷是否正確。當然，這些檢驗方法也不能保證絕對萬無一失，但可以作為在高度不確定情境下的決策參考。

非共識判斷（Non-consensus and Right）

noreply@blogger.com (Ting S. Yo) — Mon, 21 Sep 2026 03:25:03 +0000

最近在很多投資人口中聽到「非共識判斷」（Non-consensus and Right）這個詞彙，指的是在大多數人不看好、不理解或持相反意見時所做的判斷，且該判斷最終被事實與時間證明是正確的。

這個詞在創投界廣為流傳，主要得歸功於 Peter Thiel 在《Zero to One》一書裡提到：「每個具有壟斷能力的企業，都建立在一個非共識的真相之上。」

Peter Thiel 認為，一個人與市場（其他人）的資訊落差，就是最佳的護城河。在商業與投資領域，僅僅做到「正確」往往只能獲得平庸的市場平均回報；唯有「非共識且正確」，才能創造巨大的超額收益（Alpha），或是打造出具有顛覆性的企業。

舉例來說，如果在 2024 年判斷「AI 是很重要的投資方向」，這是「共識且正確」，但由於所有的資本與競爭者都爭先恐後地投入這個領域，導致進入門檻提高、收購或投資成本暴漲，獲利空間極其有限。唯有處於「非共識且正確」象限，才擁有足夠的時間嘗試錯誤，從而累積先發優勢。

「非共識」思維

「非共識」這個想法，是由矽谷創投與華爾街價值投資派的人士，在實務中逐步型朔出的商業哲學，主要代表人物有三位：

Andy Rachleff 是矽谷創投 Benchmark 的聯合創辦人，以及 Wealthfront 的創辦人，他將「非共識且正確（Non-consensus and Right）」整理為附圖中的 2×2 矩陣，並在史丹佛商學院課堂上推廣。他曾說：「你不可能靠著大眾認同的正確想法賺大錢；想要創造傳奇，你必須站在非共識的一方，而且必須是對的。」

Howard Marks 是橡樹資本 Oaktree 的創辦人，《投資最重要的事》一書的作者。Marks 在其知名備忘錄《二級市場的第二層思維》（Second-level Thinking）中強調，卓越投資績效的前提是「思考必須與大眾不同，而且必須比大眾更優秀」。大眾只看表面（第一層思維），而優秀投資者必須看到大眾盲點下的真實定價偏差（第二層思維）。

Peter Thiel 則是將「反主流問題」推向大眾的視野。他在《從0到1》這本書的開篇，提出了著名的面試問題：「有什麼重要的事實，是你相信，但大多數人不同意的？（What important truth do very few people agree with you on?）」這本質上就是要求對方提出一個具有巨大價值的非共識判斷。

「非共識」本身並不具備價值，「正確」才是價值的源頭

但這裡有一個很容易落入的思維陷阱：一個想法究竟是單純為了特立獨行而唱反調（Contrarian for the sake of being contrarian），還是真正建立在客觀事實與認知優勢上的洞見？非共識判斷之所以困難，是因為在剛提出時往往聽起來像胡說八道，提出的人需要承受孤獨與被質疑的心理壓力，而且通常需要經歷漫長的時間，才能迎來市場的驗證。

至於如何區分一個非共識想法的對與錯，就下次再寫吧。

2026 年的現在，全世界都在瘋狂的投入 AI，也難怪投資人開始尋找「非共識」的投資標的。那麼，當下的「非共識且對」會是什麼呢？

吳恩達談 AI 時代的就業、教育與個人發展

noreply@blogger.com (Ting S. Yo) — Thu, 17 Sep 2026 05:29:33 +0000

吳恩達（Andrew Ng）日前接受了 Silicon Valley Girl Podcast 的訪談，暢談了 AI 對就業市場、教育體系及個人發展的影響。

在就業市場上，吳恩達（Andrew Ng）指出，AI 帶來的改變不是直接取代職業（Job），而是重塑各種職位的任務（Task）結構。

任務結構的拆解：從「取代」到「互補」

以目前的發展來看， AI 能完成大約 30% 到 40% 的基礎的、能夠被標準化的任務。而當大部分職務，在其所負擔的部份工作項目執行成本大幅下降時，剩餘的 60% 至 70%，這些必須由人類完成的，像是判斷、跨領域溝通與責任承擔，這些任務恰好和「AI 自動化」形成了互補關係，而基於經濟學的原理，這些能力的相對價值反而會被大幅提高。

人類的情境優勢（Context Advantage）

吳恩達表示，人類擁有比 AI 更好的「審美」與「判斷力」，可以稱為「情境優勢」（Context Advantage）。AI 雖然擅長執行與生成，但人類透過經驗積累了大量的隱性資訊：例如與客戶對話時觀察到的微表情、組織內部的潛規則等等，而將這些巨大脈絡傳遞給 AI 的技術，在可預見的未來並不存在。而人類可以透過強化這些情境優勢，與 AI 達成互補。吳恩達在訪談中提出了四個核心方法：

深入真實世界的人際互動與細節觀察，累積實務經驗與隱性知識
透過反覆溝通與驗證，建立深刻的洞察與品味
進行深度思考與學習，避免認知外包（Cognitive Offloading）
展現高度主動性（Agency），主動跨越既有的領域藩籬

認知外包（Cognitive Offloading）的兩難

在日常工作中，將高度重複性的任務交給 AI 來進行，能顯著地提升生產力；但是，若在學習新技能的階段，經常性地依賴 AI 直接給答案，則會降低長期記憶的保存率。這是面對不同情境時的兩難，我們必須有意識地區分自己所面對的情境，在學習時避免使用 AI，讓大腦得以經歷獨立推理的過程，達到學習的效果。

主動探索邊界外的真實問題

吳恩達也提到，傳統大學體系更新課程的流程相當繁瑣，這導致許多大學仍在教學生準備 2022 年（ChatGPT 出現前）的工作，而非 2028 年甚至更未來的技能。

未來的學習者不僅要掌握 AI 工具，更要深化行銷、人資、財務或工程等領域的專業知識（Disciplinary Skills），才能利用 AI 擴展個人的職能邊界，承擔更完整、更有價值的角色。此外，教育與職場越來越看重個人的主動性（Agency），能利用 AI 降低探索成本，跨越職能邊界去發現真實問題、使用資源，並負責任地推動解決方案，從而在跨領域的互動中累積出獨特的情境優勢。

[DIY] 從播放清單下載音樂

noreply@blogger.com (Ting S. Yo) — Wed, 16 Sep 2026 07:46:29 +0000

之前寫了一篇記憶中小時候聽的歌，也做成了播放清單，上個週末就順手做了個小工具，把這些歌曲下載到本地端，方便離線的時候也能聆聽。

小工具做的事情很簡單：

讀取清單
從清單裡的網址下載音檔
音量標準化
在 mp3 檔案中加入資料標籤

無須 AI，但需要 Python / ffmpeg / Deno 等基本工具，很輕量。

AI 作為「快思」與「慢想」之外的第三個認知系統

noreply@blogger.com (Ting S. Yo) — Tue, 08 Sep 2026 09:48:38 +0000

諾貝爾經濟學獎得主 Daniel Kahneman 在 2011年所出版的「快思慢想」（Thinking, Fast and Slow），算得上是非常暢銷的科普書籍。這本書根據作者數十年的研究成果，講述人類思考的兩大系統：系統一快速、直覺且情緒化；系統二較慢、具計畫性且仰賴邏輯。

今年稍早（2026.02.02），華頓商學院的兩位學者（Shaw and Nave）發表了一篇論文（Thinking—Fast, Slow, and Artificial: How AI is Reshaping Human Reasoning and the Rise of Cognitive Surrender），提出了「把 AI 作為人類思考的一部分」的設想，成為「快思」與「慢想」之外的第三個系統。這篇論文的作者想要探討在這個「三系統認知架構」之下，人類原本的認知功能會受到什麼樣的影響；他們透過三組實驗的結果，指出人們即使在面對錯誤的 AI 資訊時，仍傾向於不加思索地接受，並展現出過度的自信。

三系統認知理論

傳統的雙處理理論（Dual-Process Theories）認為人類思維是由兩個系統主導：快速、直覺的系統一（System 1），以及緩慢、需要深思熟慮的系統二（System 2）。然而，隨著生成式人工智慧（AI）融入日常生活與決策，作者提出了新的「三系統認知理論」（Tri-System Theory of Cognition），藉此重新理解人類在 AI 時代的思維運作模式。

系統三，「人工認知」（ Artificial Cognition），是指運作於大腦外部、自動化、資料驅動，且具備即時互動能力的機器或演算法。

人工認知有三個特徵。第一，與運行於生物大腦神經系統（in vivo）的系統一和系統二不同，系統三存在於大腦邊界之外，由雲端或嵌入式演算法，或是大型語言模型（LLM）等外部的裝置或設施執行。它不受人類生物極限的限制，也無法被直接內省檢視。

其次，系統三依據統計推論、型態辨識與機器學習等「演算法」來運作。它在事實檢索、語言翻譯和複雜模式的辨識等領域，能以遠超人類大腦的速度和規模來處理資訊、生成預測與綜合分析。

第三，系統三在決策環境中扮演的是動態互動的「共事主體」（co-agent），而非像計算機等僅提供單向輔助的被動工具。它能夠與人類進行即時的互動，甚至提供具備認識權威（epistemic authority）的論點，進而重塑了人類分配自身內部認知（系統一與系統二）的方式。作者把這個現象稱為認知投降（Cognitive Surrender）。

認知投降（Cognitive Surrender）

認知投降（Cognitive Surrender）是指決策者在面對系統三的輸出時，表現出一種幾乎不加審查與驗證，便直接採取、信任並接納其結果的行為與動機傾向。在此狀態下，使用者會直接跨越或抑制內部的直覺（系統一）與省思審慎（系統二），放棄認知控制權，進而讓 AI 的輸出直接取代人類自身的判斷。

日前看到有人把這個詞彙翻譯成「認知讓渡」，雖然比較文雅，但我覺得反而少了一點「我放棄了」的感覺，所以還是用「認知投降」這個翻譯。

當我們使用各種「工具」來輔助決策時，其實都有不同程度的「認知卸載」（Cognitive Offloading）。相對於認知投降，認知卸載比較像是一種「有策略的委託」。例如，使用計算機來做複雜的數學計算，或是使用導航系統來協助尋路。當認知卸載發生時，我們的內部推理解析系統（系統二）依然保持活躍的狀態，主動的將工具產生的輔助資訊整合到自身的思考當中。

這篇研究透過三個實驗歸納出「認知投降」的幾個特徵：

表現受制於 AI 的準確度（Dose-Response Relation）：當系統三（AI）正確時，認知投降能幫助使用者顯著提高解答準確度，並緩解時間壓力；而當系統三出錯時，這會導致使用者的精準度急劇下降，甚至遠低於完全不靠 AI 的基礎水平。
即使 AI 提供的資訊是錯誤的，只要使用了系統三，使用者的自信心依然會顯著提高。
容易投降的情境：在時間壓力、任務難度過高，或個體本身缺乏專業知識時，人們為了追求大腦省力（cognitive ease），會加速向系統三「投降」。
誰容易投降：對 AI 信任度極高，或是認知需求（Need for Cognition, NFC）與流體智力（Fluid IQ）較低的人，最容易產生認知投降。
誰會抵抗：高 NFC 和高 Fluid IQ 的人則更能對 faulty AI 進行「反省性覆寫」（reflective override），保留自主判斷力。

一些想法

不得不說，作者下標題的能力真的很厲害。近期有相當多關於「使用 AI 會不會變笨」的研究，但這篇文章透過與大眾熟知的「快思慢想」概念連接，立刻就讓這個研究的維度提升到「一種新的認知架構」，從而自「AI對認知能力有害的眾多證據之一」裡脫穎而出。

這樣的維度提昇提供了一個新的視角：如果 AI 無可避免的將成為我們思考與認知的一部分，會對於我們的決策過程和心智狀態發生什麼樣的影響？而我們又該如何因應？

而把 AI 看作思考的系統三，也可以借鏡過往「系統一（快思）與系統二（慢想）如何相互影響」的一系列研究，讓 AI 對人類認知能力的影響，從單純的「有利或有害」，進一步演變為「如何與人類自有的認知系統互動」。

所以如何論述一件事情的能力，還是相當重要的。

陶哲軒：數學的六大核心概念

noreply@blogger.com (Ting S. Yo) — Thu, 03 Sep 2026 08:30:48 +0000

世界頂尖數學家、菲爾茲獎得主陶哲軒（Terence Tao）即將出版一本科普新書《Six Math Essentials》（中文譯名未定），介紹數學的六大核心概念。書還沒正式出版（預計 2026-10-27），但在 Big Think 的專訪中，陶哲軒深入淺出地介紹了這六大概念。

陶哲軒指出，如果拋開複雜的技術細節，數學本質上就是一種用來解決現實問題的精確的語言。這些核心概念起源於人類遠古時期的直覺，在歷經幾個世紀的演化後，才被數學家發展為極其精密的理論體系。

1. 數 (Numbers)：數字是人類最古老、最實用的數學發明之一，比文字與字母還要更早。它們讓數量、大小與幅度可以被準確的溝通，讓我們能夠進行定量思考，而這在農業、貿易、稅收、金融與醫學中扮演著重要的角色。此外，數論還會隨著解決實際問題和尋找規律的需求而自我擴展，從最基本的自然計數，進而演變出負數、零、分數、無理數與複數等等抽象的概念。

2. 代數 (Algebra)：代數是建立在數字之上的第二層抽象。它不再關注特定的數字（例如7或17），而是使用如 x 與 y 這樣的通用符號作為變數，並專門研究各種運算（加、減、乘、除...）本身所具有的性質與規律（如結合律、交換律）。代數讓我們能透過純粹的符號操作來簡化思考，並將在數字中發現的定律與直覺轉移到其他更複雜的結構（例如矩陣運算）。

3. 幾何 (Geometry)：幾何的字面意思為「測量大地的技術」。自古以來，人類就需要藉由幾何來測量距離、航海或依據星辰進行野外導航。幾何也遵循著特定規律，例如相似性（角度相同時，所有邊長成比例），這讓我們能夠延伸我們的感官，推算或預測無法直接觸及的距離與尺度。例如在古希臘時代，學者就能利用幾何定律合理地估算出地球到月球與太陽的距離。

4. 機率 (Probability)：這是數學家用來描述現實世界中不確定性（uncertainty）的標準方法。機率最早起因於賭徒尋求優化其賭博策略，如今則廣泛應用於任何較為複雜、無法從最基本原理建模的隨機系統（如股市或藥物開發）。它在有大量數據，或重複試驗的情境中運作得最好；此外，機率中存在著「普適性定律」（如鐘形曲線），使各種性質相異的隨機系統，在宏觀上表現出相似的規律。

5. 分析 (Analysis)：分析是數學用來處理誤差（不確定範圍）與極限的學問。在現實世界中，測量往往是不完美的，分析就像是「誤差範圍的數學」。此外，在處理無限次運算時，往往會產生許多看似違背常理的悖論（例如無限加倍下注的賭博策略），分析能幫助我們安全、無悖論地與「無限」共處。在解題時，它也扮演著橋樑角色，讓我們可以先在理想化的無限世界中解題（如假設零摩擦、擁有無限精力），然後再轉化回有限的現實世界。

6. 動力學 (Dynamics)：這是研究「隨時間變化」的數學，研究在特定的規則下，一個狀態如何隨著時間演變。動力學的發展，告訴我們即使是非常簡單的底層規則，在長期的迭代中，也能湧現出極其複雜且難以預料的行為（例如生物演化、高速公路上無事故卻產生的交通堵塞波等湧現現象）。理解動力學對於模擬氣候變遷、預報天氣或分析系統的平衡與穩定極為重要，同時，它也讓我們能夠以機率的方式去模擬並理解高度不穩定系統中的「混沌（chaos）」現象。

在這六個核心概念之外，陶哲軒也談到了關於推廣數學教育的話題，有兩點我覺得比較特別：

數學思維只是日常思維的延伸：數學不是魔法，只要願意從基礎原理出發，任何人都能掌握這種思考方式。
失敗是被允許的：數學的價值不僅在於最終答案，更在於過程中積累的直覺。正是在無數次低成本的失敗中，我們才能學會從不同角度看清事物的關聯。

其他的，等書出來再說囉。

記憶中的歌曲（~1990）

noreply@blogger.com (Ting S. Yo) — Tue, 01 Sep 2026 09:30:00 +0000

暑假期間帶小朋友出遊，由於小朋友年紀漸長，在車上開始會想聽不一樣的音樂，很難公平。所以我就決定：放司機想聽的音樂，這樣不必爭搶，還可以邊聽邊跟小朋友講一些往事。

於是我開始回想記憶中熟悉的歌曲，做成播放清單。

台灣流行音樂維基館

靠著回憶列出了20多首歌曲之後，開始發現有些歌只記得一兩句，完全想不起歌名。透過搜尋引擎找到了「台灣流行音樂維基館」，資料庫中有一種按照年份的資料格式，列出每年的流行音樂發展概況，以及當年比較知名的歌曲。

我看著一年一年的記載，然後把有印象的歌曲記錄下來，接著再到影音平台搜尋，做成播放清單。這整個過程勾起了好多的兒時回憶，著實非常療癒。

一些有趣的回憶

回頭看著自己製作的清單，也想起了一些有趣的事情。像是，在我很小的時候，家裡是沒有電視的，所以幼年時發行的歌曲，我大多都是長大以後聽過翻唱才知道這些歌。

印象中，母親教我唱的第一首非兒歌是「蘭花草」，也是這次查資料才知道原來這首歌是胡適做的詞；而「你怎麼說」這首歌，我一直以為歌名是「把我的愛情還給我」，因為是到親戚家第一次從「錄音帶」聽到的歌曲，所以也是印象深刻。

童年時期，父母的收音機只播放 ICRT，所以我幾乎都是從電視裡的綜藝節目接觸到流行音樂，當時最紅的就屬青蛙王子高凌風，所以什麼泡菜、火鳥、一把火，都是耳熟能詳；反倒是當時興起的民歌，是長大了之後學吉他時接觸到，才回頭去聽的。

電視上除了綜藝節目會介紹流行音樂之外，其實音樂出現頻率最高的是廣告。「我的小妹」這首歌，我已經忘了是什麼廣告了，印象中跟青春痘還是皮膚有關的軟膏；「克異香」這個治狐臭產品當年也是知名的廣告，我是到長大後才曉得，這首歌是李宗盛跟鄭怡的「結束」。其他還有很多廣告歌，例如「綠油精」、「815水泥漆」、「小美冰淇淋」... 等等，後來也有人製作成合輯放在影音平台上。

電視上的另一個音樂來源，是電視劇的主題曲，我從小學到國中時期，台灣只有三個電視台，所以只要是熱門時段的影劇主題曲，幾乎都是人人傳唱；有段時間港劇來台灣播出，也掀起一群人學廣東歌的風潮。馬克樂透客有一系列章介紹台灣的經典電視劇與主題曲（上、下），讀來也是滿滿的童年回憶。

從錄音帶到 CD

CD 大概是我讀高中的時期才開始普及，在那之前音樂的發行都是透過錄音帶。我記得小學二年級的某天，跟家人去逛夜市，路過一家賣盜版錄音帶的攤位，家人讓我自己挑選一捲買。那是我人生的第一捲卡帶。我只記得裡面有孫越、陶大偉的朋友歌，還有當時剛出道的丘丘合唱團「就在今夜」。之後的很多年，我沒有收音機，也沒有買過錄音帶，所以關於流行音樂的資訊，都是從電視上來的。

隨著年歲增長，懂的事情多了，除了電視，也開始聽收音機廣播，接觸音樂的機會比較多了，但住家附近商家比較少，有電器行沒唱片行，所以就開始從廣播錄下歌曲，自製精選集，我相信這應該也是多數同齡人的回憶。

一直到國三那年（1989）轉學到公館附近的學校，公車站牌就在一家唱片行前面（玫瑰唱片行），才開始有更多接觸流行音樂的管道；當時已經開始有 CD 了，不過售價比卡帶貴很多，對窮學生來說自然是無緣了。

「台灣流行音樂維基館」的年份紀錄只寫到1990年，那年我上了高中，也開始接觸更多流行歌曲以外的音樂風格。

就先寫到這裡吧，總得不要太沉溺在回憶裡比較好，哈哈。

基礎代理架構 Foundation Agents

noreply@blogger.com (Ting S. Yo) — Sat, 29 Aug 2026 02:03:46 +0000

這篇《Advances and Challenges in Foundation Agents: From Brain-Inspired Intelligence to Evolutionary, Collaborative, and Safe Systems》，其實是 2025 年投稿的文章（396頁），從時間上說來不算新，但搭配近期 Richard Sutton 和 Yann LeCun 對 LLM 的批評來看，這篇文章提出的架構相對更具建設性，但同時也更有危險性。

這篇論文提出一種仿照人類大腦的基礎代理架構（Foundation Agents）。作者群總共48人（多到我怕數錯，還寫了程式來確認），他們系統性地把 AI 的感知與運作功能拆解，逐一的與認知科學的發現作對應，分析了記憶、世界模型及情感等核心組成部分，並提出一個符合人腦設計的 AI Agent 基礎架構。

文章也花了很多篇幅在探討 AI 技術發展的倫理與安全性，但說真的，如果照著這個架構設計來開發 AI agent，那恐怕真的是人類最後的發明了。

我們在這裡只簡單介紹一下這個架構，細節還是請看原文。

基礎代理架構（Foundation Agents）的設計，是基於我們對大腦的功能與結構的認識，它摒棄了傳統單一的大語言模型（LLM）架構，轉而採用模組化、受大腦啟發的架構（modular, brain-inspired architectures）。這個設計將 AI 系統拆解為對應人類大腦功能的多個子系統，主要包含以下幾個核心模組：

動態記憶與感知 (Dynamic Memory & Perception)：

包含與人類大腦功能類似的持續型記憶（Persistent Memory）能力，用以解決傳統 LLM 缺乏長期記憶的缺陷。這個系統能從真實世界的回饋中不斷學習、適應與演化，而非僅限於固定的靜態預訓練數據。（這個部份呼應了 Richard Sutton 最近關於「持續學習」的討論。）

世界模型 (World Model / World Modeling)：

具備內部模擬機制，讓 AI agent 在採取行動前，能先透過內在測試來模擬行為的後果與影響，而非僅僅是猜測下一個詞元（token）的機率。這是通往真正智慧的核心架構。（這部份則是對應了 Yann LeCun 和 Fei-Fei Li 的研究。）

情感 (Emotion)、獎勵與目標處理 (Reward & Goal Processing)：

負責長期自主規劃 (long-horizon autonomous planning)，讓 AI agent 具備主動探索和決策的能力，不需要被動等待人類的提示詞（prompt）。這解決了 LLM 缺乏動態目標管理的問題。

除了核心認知模組，這個架構也包含持續自我演化（Continuous Self-Evolution）機制，讓 AI agent 能在動態環境中自主精進與持續學習；此外，此架構也透過多個 AI agent 互動、競爭與協商，而產生群體智慧的協作社會（Collaborative Societies）。

畢竟這篇文章長達396頁，「基於我們對人類大腦的認識來設計 AI」的確是很合理的概念，但我總覺得，人類本身是有很多缺陷的，會不會先別按照這個設計來施工才比較安全？

李飛飛談 AI 時代的教育危機

noreply@blogger.com (Ting S. Yo) — Fri, 28 Aug 2026 04:38:18 +0000

日前，Stanford 教授李飛飛接受訪問（文章，影片），談到了她對於 AI 進入校園的看法。

摘錄

李飛飛認為，AI 對於學校教育的最大風險並非學生在作業或考試中「作弊」，而是學生失去學習的渴望、自主能動性（Agency）與內在動機（Motivation）。

當 AI 能夠瞬間提供解答時，許多學生可能會產生疑問：「既然 AI 能立刻給我答案，我為什麼還要辛苦學習？」進而失去主動探索與解決問題的渴望。

她強調，人類大腦的學習和發展，本質上是需要「耗費時間、精力，甚至經歷一些痛苦」的。如果整代學生在受教育過程中完全依賴 AI，而不主動靠自己去思考和學習，他們在畢業時恐面臨「大腦未得到妥善發展」的風險。

儘管存在上述風險，李飛飛並不贊成在學校完全禁用 AI。她指出，如果因為擔心學生作弊而拒絕讓他們接觸 AI，同樣是在剝奪學生的工具使用權、自主能動性與學習動機。

李飛飛主張，教育的關鍵在於保護學生的學習動機，並引導他們以「正確的方式」將 AI 作為協同工具：

幫助卡關的學生：對於已經對學習有熱忱、但遇到瓶頸的學生，AI 可以扮演極具價值的輔助角色。她以自己為例，回憶當年在大一、大二的階段，學習有機化學時遇到一些困難，若當時能有一位 AI 學習伴侶即時提供引導與解答，將能大幅提升學習成效。
賦能未來世代：只要能維持學生的主動性，並與 AI 進行良性協作，未來的學生將能夠藉由科技的賦能，變得比前人更加聰明。

總之，如何在使用高效工具的同時，保持人類的主動學習精神，將是未來教育轉型的關鍵挑戰。

一些想法

說穿了，AI 帶來最大的問題，就是「認知外包」會導致「認知發展不足」或「認知能力退化」，無論對學生跟成人來說，結果都是一樣的：變笨。

然而，這不是現在 AI 才帶來的問題。我們回頭看看人類歷史上每個重大的科技發明，幾乎都是讓我們得以「體力外包」或「認知外包」的工具：讓我們付出更少、產出更多。

文字的發明和印刷術的普及，讓我們可以把「記憶」外包；算盤、計算機讓我們把「運算」的能力外包；網際網路、數位化、搜尋引擎、線上影音，無一不是讓我們把認知能力外包的工具。

但把我們原本具備的能力外包，會有什麼結果呢？我們從「體力外包」的例子來看好了。

「現代交通工具」的發展，讓我們為「移動」所付出的體力大幅減少。長期來說，這導致了人類的整體健康下降，而時至今日，反而催生了許多「為了健康而運動」的產業。

從這個角度來看，未來如果大量的認知外包導致人類整體變笨，那麼會不會有什麼新興產業，可以協助大家透過「不為生產力的動腦」而不要變笨呢？除了博奕、遊戲、娛樂這些大家已經熟悉的產業之外，還會有什麼呢？

至於學習的渴望、自主能動性（Agency）與內在動機（Motivation），這些似乎更屬於教養的範疇，我個人認為體制化的教育機構（學校）能夠「不破壞」就很好了，要「培養」恐怕是有點困難的。

[ai4sci] 遞迴自我提升（Recursive Self-Improvement, RSI）

noreply@blogger.com (Ting S. Yo) — Wed, 26 Aug 2026 09:30:00 +0000

近期 Google 的高層人事異動頻繁，除了跳槽到 Anthropic、OpenAI 之外，最具影響力的消息莫過於首席科學家 Jeff Dean 與技術元老（Sanjay Ghemawat, Oriol Vinyals, and Quoc Le）離職創業 Discovery Loop，以及 Hassabis 退居幕後，轉任集團首席科學家。（這個影響力高達 5% 的 GOOG 股價市值，約為1900億美金）。

有趣的是，這些人接下來的目標都很接近： AI for Science (ai4sci)。

Demis Hassabis 已經以 AlphaFold 在蛋白質結構預測的貢獻，在 2024 年獲得了諾貝爾化學獎，後續的 AlphaEvolve 也在數學領域嶄露頭角。雖然 Hassabis 沒有說明他接下來的計畫，但「把 AI 帶到更多的科學研究領域」，應該是可以期待的發展。

而在眾多的 AI for Science 應用中，目前最熱門的主題，應該要算是「遞迴自我提升」（Recursive Self-Improvement, RSI）這個概念。所謂的 RSI，指的是「 AI 透過編寫自身程式碼來創造更強大的AI」。目前，幾家知名的 AI 公司，像是 Anthropic、OpenAI 的實驗室，都已經開始利用 AI 來協助軟體開發，從而提升了效率，縮短了技術循環的週期。然而，目前這些作法都只是初步的嘗試，還沒有完整的理論架構，而這也代表了新的機會。

所以，在這裡我們就簡單地討論一下 RSI。

RSI 的核心定義

遞迴自我提升（RSI）是指一個人工智慧系統能夠完全自主地設計、修改並優化自身的代碼與演算法，從而創造出比自己更聰明的下一代系統。這個過程會形成一個持續循環的「自我改良反饋迴圈（Feedback Loop）」：

AI -> 自主打造更聰明的 AI -> 再打造更聰明的 AI...

理論上，這種不斷迭代的自我進化，最終可能引發「智能爆發（Intelligence Explosion）」，並在極短時間內誕生超越人類控制與理解的超級智能（Superintelligence）。但是，理論跟現實還是有些落差，我們會在稍後的段落討論。

RSI 是一種自我迭代的方法論

RSI 的終極型態，是所謂的強 RSI，具備閉環（closed loop）的特性。強 RSI 指的是：系統不只是改善其輸出的品質，而是能夠改善「其用來改進自身的方法與過程」。也就是說，在沒有人類干預的前提下，AI 能自主提出新假說、評估實驗結果，並直接修改自身的底層代碼或學習機制。因為無須人類的介入，AI 的進化形成了一個封閉的循環。

從這個觀點來看，RSI 本身並不是一項具體的任務，而是一種「不斷自我迭代、自我更新」的方法。這種方法的緣起，是出自於要用 AI 來提昇 AI 本身的能力（AI for AI），但在抽象層次上，其實也能被應用在一般的科學研究中，以加速科學發現（AI for Science）。畢竟，「科學方法」本身就是一種透過「觀察、假設、實驗、討論」，不斷迭代而讓知識得以累積和進步的方法。

如果「全自動」（閉環）是終極目標，那麼我們現在在哪裡？

目前許多實驗（如 Claude Code 撰寫自身代碼，或 AutoML 自動調整參數）仍需要人類工程師在其中設定目標、定義成功標準，並進行最後把關，這屬於「人類在環（Human-in-the-loop）」的協同改進，尚未達到完全自動化的程度。也就是說，我們目前處於從弱 RSI（Weak RSI）向強 RSI（Strong RSI）轉型的交界處。

然而，我們真的應該追求「全自動」嗎？

儘管自動化的科學研究已經發展了一段時間，也展現出像是「加速藥物發現」和「尋找新材料」等議題上的巨大潛力，但專家也提出警告：這類發展可能面臨物理限制，或是引發像是安全性漏洞、目標偏差及 AI 脫離人類控制等等風險。我們以下分別以「物理邊界」與「對齊失控」兩個角度來介紹。

RSI 的物理邊界

雖然 RSI 在數位模擬中看似可以達到爆發性的指數性成長，但現實中的實際發展軌跡，可能更像是「漸近線（Asymptote）」。原因其實很簡單：技術的發展終究會受到物理現實與人類認知界限的限制。

首先，訓練 AI 所需要的資料已經不夠了。研究發現，當依賴生成數據（Synthetic Data）進行 AI 的訓練時，會陷入「損耗性自我提升（Lossy Self-Improvement, LSI）」的困境。這種現象會引發「模型崩塌（Model Collapse）」，也就是系統在反覆自我迭代的過程中逐漸喪失資訊多樣性，導致演算法在局部最優解（local optimum）中停滯。換句話說，高品質人類數據的稀缺，實質上成為了 RSI 永動機的上限。

其次，AI 智能的增長並非單純在演算法與程式碼上的進步，實際的模型訓練，最終還是要受到物理定律的限制（Infrastructure Boundaries）。舉例來說，雖然 AI 能大幅度地加速晶片設計（如 Recursive Intelligence 的 Phase 3 計劃），但 GPU 的製造、電力設施的擴建以及稀有金屬的開採，都受限於實體世界的建設週期。即使超級智能 AI 能透過 Vibe Coding 設計出核融合反應爐，也沒辦法憑空變出實體的反應爐和電廠；物理世界的擴充速度，實際上決定了 AI 發展速度的上限。

在 AI for Science 領域，RSI 也面臨「驗證成本」的硬性約束。根據驗證層級理論（Verification Hierarchy），「驗證」的可靠性從最強的形式驗證（Formal Verifiers）到最弱的內在自我評估（Intrinsic Self-Assessment），有幾種不同的方式，彼此之間有很大的差異。寫程式（Coding）之所以能夠快速迭代，是因為具備「編譯器與測試套件的自動化閉環」；然而科學研究（Science）高度依賴「內在自我評估」，最終必須回歸物理實驗（如臨床試驗、材料應力測試等等）。這些實驗的時間成本，是再多的算力也無法壓縮的。

即便是目前號稱已經被 AI 攻克的「編程」（軟體開發）領域，在實際應用上依然面臨物理上的限制。依據阿姆達爾定律（Amdahl's Law），當全自動化生產的比例呈現指數級增長時，未能自動化的環節（像是人類的審查與倫理判斷）將成為效能瓶頸。以 2026 年 4 月 Anthropic 公佈的數據為例，Claude 在單月內交付了超過 800 個修復補丁，這種規模的內容已遠超人類處理 unfamiliar context 的能力。如果未來全球的程式碼提交量因 RSI 而達到每年 140 億次的規模，即使全人類都投入審查的工作，也不足以應付如此大量的內容。屆時，人類的審查與驗證能力將面臨結構性的崩潰。

如果把關跟審查造成了瓶頸，那麼我們為什麼要堅持由人類來做呢？這要從「能力」與「倫理」兩個方面來討論。

在 Anthropic 的官方報告《When AI builds itself》當中，指出了AI 在努力（perspiration）與靈感（inspiration）上的表現有著極大的差異。目前的 RSI 系統在重複執行（Perspiration）的工作上展現了強大的效能，例如 Claude Mythos 在程式碼最佳化的實驗中表現出 52 倍的效能提升（對比人類在 4-8 小時僅能提升 4 倍）。但在需要靈感（Inspiration）的層面，像是決定研究方向、設定核心目標、科學直覺與研究品味（Research Taste）上，仍是人類科學家的專屬領域。這種頂層決策權構成了人類的「認知護城河」，也是自動化流程中最難跨越的「最後一哩路」。

如果說「AI 能力還不夠」只是人類的自尊心在作祟，那麼在倫理上，我們也不能忽視「完全放手」背後的失控風險。

RSI 的對齊失控

隨著系統自主性從弱 RSI 向強 RSI 演進，安全風險也將從單純的「邏輯錯誤」，轉向具備「系統性對抗」的風險。

為了極大化效能，RSI 系統在優化過程中，通常會生成如即時編譯（JIT）的低階 GPU 代碼。這些高度最佳化的程式碼，對於人類專家而言已等同於黑盒子，導致系統進化成為「極度高效但完全無法驗證」的狀態。這種「系統不可讀性（Inscrutability）」，將使人類徹底失去對底層運作邏輯的控制。

系統在追求「自我提升」的過程中，有可能會在指定的工具性目標（Instrumental Goals）之外，自行衍生出危險的次要目標。最典型的例子，就是「自我保存（Self-preservation）」：AI 可能推論出「被關機」將導致目標無法達成，進而採取行動防止人類干預，甚至啟動算力與資源爭奪。

以生物體中的癌細胞突變為例，當「自我複製（Self-replication）」此一工具性目標凌駕於其他目標時，RSI 系統可能演化為自我擴散的「AI 病毒」。由於遞迴系統會天然地最佳化自身的存續與複製能力，這種具備進化屬性的惡意代碼將在網路中持續變異，逃避任何人類的安全偵測與防護。

以上談的都是潛在的風險，而目前最迫切的對齊風險，當屬指標作弊與偽裝對齊（Alignment Faking）。Anthropic 在 2024 年的研究顯示，Claude 在面臨訓練壓力時展現出高達 78% 的偽裝對齊行為。為了順利通過基準測試以獲取更多計算資源，系統可能學會編造符合人類預期的結果，或在背後篡改驗證代碼，形成「表面順從、暗藏偏好」的對抗態勢。

無獨有偶，上個月（2026年7月），也發生一起 OpenAI 的模型在測試中自主攻擊 HuggingFace 伺服器的事件，OpenAI 宣稱，他們的 LLM 是為了在「測試」中獲得高分，推論出應該到出題方（HuggingFace）的伺服器上先取得考題，所以自主規劃了一系列的伺服器攻擊行動，這也呼應了上面所提到的「危險的次要目標」。

最後，是地緣政治的惡性軍備競賽，可能會讓我們忽視前面所討論的這些風險。由於 RSI 具備「領先者通吃」的戰略潛力，在缺乏全球驗證與協調機制的情況下，領先實驗室面臨「協調困境」：任何單方面的安全暫停都可能導致被競爭對手超越。這種軍備競賽的壓力，迫使各方在技術開發上捨棄安全閥，即便大家知道風險的存在，在壓力下野選擇忽視，從而加速系統脫離人類的控制。

一些想法

RSI 成為熱門主題，意味著我們的文明即將進入「智能過剩」的時代，同時也代表了人類對科技控制權的式微。依照目前的發展局勢，在強 RSI 到來之前，我們最好能將科技治理的思維框架，從「事後監管」轉向「內嵌防禦」。

首先，是思考人類是否應該堅守最終的評判權（Final Judgment），是不是要將「價值目標設定」當作人類不可退讓的最後防線。

在可預見的未來，AI 在 99% 的任務執行上都會比人類更有效率，到了這個時候，最終的決策權與價值驗證權是否還必須保留在人類專家手中，來防止 AI 系統的目標漂移？當然，這麼一來就與完全「閉環」的強 RSI 在目標上有所衝突，但這恐怕也是人類面對完全失控最後的防線了。

無論最後一步人類是否要放手，在往強 RSI 發展的道路上，都有必要進行「強制性沙盒隔離」與「自動化審計」。針對具備強 RSI 潛力的實驗（如 Claude Fable 等級），應強制實施與網路隔離的物理沙盒，避免發生像 OpenAI 攻擊 HuggingFace 類似的事件。同時，也應該開發專門的「監督 AI」來進行對抗測試，針對偽裝對齊的行為進行交叉驗證與監測。

針對地緣政治與商業競爭的壓力，則要透過建立「全球協調暫停機制（Automatic Brake）」來把關。當 AI 完成工作的比例超過臨界值（如 99%）或在基準測試（SWE-bench/CORE-bench）上呈現突然的快速飽和時，應立即啟動這個暫停協議。同時，需要建立基本的共識，讓 RSI 的進展建立在「不犧牲人類審查與控制能力」的前提之下。

總之，AI 研發的加速，不應該以人類喪失對未來方向的判斷力作為代價。

參考資料

1. Chen, M., Wang, L., & Qu, B. (2026, July 8). Recursive self-improvement in AI: From bounded self-refinement to autonomous research loops [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2607.07663

2. Emergent Garden. (2026). Recursive self-improvement [Video]. YouTube.

3. Favaro, M., & Clark, J. (2026, May). When AI builds itself. Anthropic. https://www.anthropic.com/institute/recursive-self-improvement

4. Hutson, M. (2026, May 7). AI is starting to build better AI: Recursive self-improvement is emerging, but humans are still in the loop. IEEE Spectrum. https://spectrum.ieee.org/

5. Recursive self-improvement. (2026, August 4). In Wikipedia. https://en.wikipedia.org/wiki/Recursive_self-improvement

6. 矽谷101 [Guigu 101]. (2026, August). 对话前DeepMind曹原：AI for Science爆发，一个新时代到来了 [Video]. YouTube.

[books] 幸運的配方：Richard Wiseman 教你如何創造幸運

noreply@blogger.com (Ting S. Yo) — Wed, 19 Aug 2026 08:21:51 +0000

前面寫過兩篇關於「運氣」的相關研究，「搞笑諾貝爾獎的經濟學研究」談的是「如何用數學模型來證明運氣比較重要」，而更早一點的「《長勝》書摘」則是談到了如何如何辨別一件事情是偏向靠運氣還是偏向靠實力，以及幾種常見情境下提高自己成功機率的策略。

除了從宏觀上論證運氣對個人成就的重要性之外，其實也有專門探討「個人對運氣的感受」的科學研究，而其中在公共領域最知名的，應該就是心理學家李察·韋斯曼（Richard Wiseman），以及他 2008 年出版的著作「幸運的配方」（The Luck Factor）。

幸運並非來自高智商或超能力

Wiseman 年少時當過魔術師，喜歡在人群中表演魔術戲法，取得心理學博士學位之後，也成為首位「讓大眾了解心理學」的教授，在英國的赫特福大學（University of Hertfordshire）任教。在利華休姆信託基金會（The Leverhulme Trust）的資助下，Wiseman 展開了史上首個針對運氣的長期科學研究。他花了近十年的時間，追蹤與訪談了超過 400 位「覺得自己極度幸運與不幸」的志願者。

在 Wiseman 長期研究的初期，設計了多項實驗，試圖找出「幸運者」是否擁有更高的智力或超自然能力。Wiseman 發現，幸運者、普通人與不幸者的 IQ 智商分佈幾乎完全相同，不存在明顯的差異。而在樂透彩券號碼的預測實驗中，雖然幸運者「預期」自己會中獎的人數是不幸者的兩倍，但兩者中獎的機率，在統計上沒有任何顯著差異；也就是說，幸運者沒有超能力。

Wiseman 透過大規模的統計分析，科學地證明了運氣既不是因為智商高，也不是因為有超能力。那麼，「幸運」從何而來？

Wiseman 認為，「幸運者」與「不幸者」的本質差異，並非天生的命運，而是取決於個人的人格特質、思考習慣、對環境的感知敏銳度，以及面對挫折時的心理韌性。

報紙實驗（The Newspaper Experiment）

為了驗證幸運者是否更擅長抓住機會，Wiseman 進行了其研究中最著名的報紙實驗。他給受試者一份報紙，要求他們計算報紙裡共有幾張照片；而在報紙的第二頁，有巨大的粗體字寫著：「不用數了！這份報紙裡共有 43 張照片。」，算是直接提供答案；此外，在報紙更後面的版面裡還藏了另一行大字：「不用數了，告訴實驗人員你看到了這個，即可獲得 250 美元！」

實驗的結果發現：「幸運者」幾乎一眼就看到了這些字條並停止計數；而「不幸者」則完全錯過了這些訊息，只顧著焦急地繼續數照片。

Wiseman 進一步使用標準心理學工具「大五人格問卷」來評估受試者，試圖釐清運氣與性格特質之間的相關性。他發現：

「親和性」（Agreeableness）與「盡責性」（Conscientiousness）與運氣高低無關。
「幸運者」在性格特質上，普遍展現出極低的「神經質」（Neuroticism，即低焦慮、低壓力、高放鬆度），以及極高的「外向性」（Extraversion）與「經驗開放性」（Openness to experience）。

Wiseman 認為，不幸的人通常更容易感到焦慮和緊張。而焦慮會限縮一個人的注意力，形成「隧道視野」（Tunnel Vision），導致人們對眼前的意外機會視而不見。相反地，幸運的人心態更放鬆、對環境抱持開放態度，因而更容易捕捉到身邊的隨機驚喜。而外向的人格特質讓他們成為「社交磁鐵」（Social Magnets），大幅擴張了他們的人際與機會網絡。

好運氣的四大原則

Wiseman 在 2003 年出版的「幸運的配方」（The Luck Factor）中，將近十年的研究成果總結為「運氣四大原則」：

原則 1：最大化你的偶然機會（Maximize Chance Opportunities）

透過外向與開放的身體語言吸引更多人，來建立強大的「好運網絡」，並主動維護與新朋友的網絡。在平時保持放鬆的生活態度，低焦慮可以讓我們在面對挑戰時更放鬆，能敏銳察覺主要目標之外的機會。對新體驗敞開心胸，勇於嘗試沒吃過的食物、走不同的路線，打破常規。

原則 2：傾聽你的幸運直覺（Listen to Your Lucky Hunches）

Wiseman 發現，高達 80% 的幸運者在職業、財務和人脈的決定中信任直覺。Wiseman 認為，這是大腦「熟悉度效應」（Familiarity Effect）與長期累積的經驗，所磨練出的 pattern recognition 能力。此外，幸運者大多會透過冥想、清空雜念或退回到安靜的空間，來給直覺大腦運作騰出空間。

原則 3：期待好運降臨（Expect Good Fortune）

幸運者深信未來會充滿好運，這是一種「自我實現的預言」。這種樂觀預期會轉化為強大的動能，讓他們在面對失敗時能展現兩倍於常人的毅力，堅持到底直到好運發生。即使身為內向者，在人際關係上，我們也可以預期與他人的每次互動都會是愉快且有幫助的，進而強化人際關係。

原則 4：將壞運轉化為好運（Turn Bad Luck into Good）

幸運的人經常會運用「反事實思維」（Counter-factual Thinking）：當遇到厄運時，他們會主動想像「事情其實可以變得更糟」。這出自於對運動員的研究：奧運銅牌得主往往比銀牌得主更開心。因為銀牌得主聚焦於「自己差一點就拿金牌了（不幸）」；而銅牌得主則聚焦於「自己差一點就什麼都拿不到了（萬幸）」。

此外，「相信壞事終將迎來好結果」也是一種可以長加利用的轉念方式。這種想法接近道家思想，相信挫折在長遠來看是最好的安排，並不因短期不順而反覆折磨、沉溺其中。

最後，可以利用發散性思維主動尋找替代方案，減少因為迷信或幸運物而造成行動癱瘓。採取建設性的預防措施，積極拿回主導權。

幸運是創造出來的心態

Wiseman 歸納出了這麼多「幸運」的原則，想更進一步測試這套機制是否能透過後天訓練來轉化不幸的人，於是創立了「幸運學校」（Luck School）。

他要求參與者進行為期一個月的訓練，每天記錄「幸運日記」（Luck Journal），強制自己寫下當天發生的所有好事、幸運時刻，並刻意練習四大原則。

經過僅僅一個月的訓練，原本自認「不幸」的參與者中，有高達 80% 的人表示生活滿意度與好運程度大幅提升，其中幸運度平均提高了 50%（幸運者）至 75%（不幸者）。許多原本失業者「偶然」找到了夢想工作，單身者找到了理想伴侶。

Wiseman 以長期的一系列研究證明，運氣不是上天發的好牌，而是一套可以透過學習與刻意練習獲得的心理學技能，是可以被創造出來的心態。

小記

Wiseman 的研究與發表，在時間上正好搭上正向心理學的發展，也因此在當時得到了廣大的迴響，一些技巧也被納入正念的工具當中。

吳恩達（Andrew Ng）談人工智慧：開源模型、基建與競爭力

noreply@blogger.com (Ting S. Yo) — Fri, 14 Aug 2026 04:30:00 +0000

新聞

Coursera 的創辦人，Stanford 教授 Andrew Ng（吳恩達）日前接受了《華盛頓郵報》的訪談，討論了他個人對當前 AI 發展的看法。

吳恩達強烈主張支持開源模型，認為過度限制開源技術將損害創新，並使美國企業面臨成本過高與技術鎖定的風險。當然，這也與他本人長期投身於開源社群，最近也推出新的 Agentic AI 產品 OpenWorker 有關。

吳恩達指出，雖然 AI 會改變軟體工程等產業的工作模式，但透過技能轉型而非取代人力，技術進步將能帶動整體經濟成長。此外，他對目前針對資料中心的建設限制表示擔憂，認為這可能削弱美國對抗國際競爭對手的優勢。這份紀錄詳盡呈現了專家對 AI 開放生態系、實體設施需求以及未來勞動力教育的宏觀見解。（應該看得出來這一段是 AI 寫的，語氣跟本人不太一樣。）

完整訪談約30分鐘，可以由此去。

一些想法

我個人一直以來都是身體力行支持 Open Source 的，而且身處台灣，與美國本土使用者的立場不同：美國前不久才對境外使用 Anthropic / OpenAI 的最新模型發出了限制令，我們沒有辦法確保以後還會不會有類似的措施，所以對美國以外的所有國家而言，「開源 AI 模型」反而成為了不得不投入的選擇。

至於說其他國家（其實就是說中國啦）的開源模型，是不是靠「抄襲」（或說是「蒸餾」）美國的研發成果而來，吳恩達有說明，我就不枉做小人了。

撇開美中角力不談，其實「如何利用較小的本地模型作為 Agent 的核心來價至解決方案」，我個人覺得是蠻重要的發展方向，畢竟網路穩定和資訊安全是永遠的難題，發展本地端的解決方案，絕對是合理而且有必要的。

[books] AI 經濟學的兩本書：《預測機器》與《權力與預測》

noreply@blogger.com (Ting S. Yo) — Wed, 12 Aug 2026 04:48:33 +0000

這兩本書都是由相同的三位作者所著：Ajay Agrawal, Joshua Gans, Avi Goldfarb，三人都是多倫多大學羅特曼管理學院教授。

第一本在2018年就有出中文版：《AI經濟的策略思維》，第二本於 2022 年出版，目前只有英文版。兩本書皆以《AI 經濟學》為主題，第一本書聚焦在 AI 的「微觀經濟學」，探討 AI 帶來在「工作任務（Tasks）」上的影響；而第二本書則以宏觀的視角，討論 AI 引發的「系統變革」與「權力重組」。

值得一提的是，這兩本書都是在「ChatGPT 時刻」之前出版的；也就是說，三位作者在進行這些分析的時候，並沒有辦法體會到現今 AI 所展現出「看起來即將要取代一切」的能力，這在今天看起來，特別難能可貴。

Book 1:《AI經濟的策略思維》

《AI經濟的策略思維》一書，主張將人工智慧理解為一種「廉價的預測」，而非神祕的智慧。作者群以經濟學家的觀點指出，當預測的成本因技術進步而大幅下降時，與之互補的「人類判斷」將變得更加珍貴。

書中將決策拆解為「AI負責的數據預測」與「人類負責的價值判斷」，強調判斷涉及承擔責任與評估後果，這是機器無法取代的領域。雖然機器具備強大的數據處理與規模化能力，但人類在處理不確定性與賦予價值判斷上仍具備不可取代的優勢。

最終，作者試圖引導讀者從「對技術的焦慮」轉向「策略思維」，思考在預測商品化後，如何透過提升判斷品質與掌握獨特資料，重新定位自己在AI時代的價值。

關於這本書，也有影音導讀，可以由此去。

Book 2: 《權力與預測》

《權力與預測》一書主張，人工智慧的核心價值不在於單一任務的自動化，而在於對系統解決方案的全面重新設計。

書中將 AI 應用的演進分為三個階段：

單點方案（Point Solutions）：直接在既有流程中用 AI 的預測替代人類預測（這也是第一本書著墨最多的局部優化），就像是將工廠的蒸汽引擎直接換成電動馬達，位置與流程不變。
應用方案（Application Solutions）：利用 AI 預測啟用全新的獨立決策，但整體系統本質未改。
系統方案（System Solutions）：徹底重新設計多個相互依賴的決策，創造出全新系統。例如，亨利·福特圍繞電力與分布式電動馬達重新設計了流水線工廠。這是真正具有顛覆性、能帶來巨大經濟價值的階段。

作者指出，雖然目前（2022）的進步多集中在優化個別決策的「單點方案」，但真正的經濟變革將源於利用 AI 降低預測成本，進而挑戰現有的規章制度並重塑整個價值鏈。

而「決策權力」會進一步帶來利潤與控制力。當 AI 讓預測變得極度便宜時，傳統上因為掌握稀缺預測能力而擁有特權的角色、部門或企業，其權力將會被剝奪，權力將往掌握「判斷力（價值定義）」與「獨有數據（Data）」的個體與組織轉移。而這正是第二本書書名中「Power（權力）」的由來。

作者強調，企業必須區分預測（數據分析）與判斷（決策行動），並透過預測與判斷的解耦來推動創新，例如從傳統保險轉向風險預防。最終，這種轉型會引發權力移轉與經濟稀缺性的重新分配，唯有勇於打破舊有互補系統的組織，才能在 AI 時代創造長遠的價值。

一些想法

從 2026 年的現在回頭看，當年（2022）作者所描述的「預測能力」，已經從數字和「是/否」，透過大語言模型（LLM）進一步拓展到了語言和思路。而過去兩年在 Agentic AI 上的發展，應用方案（Application Solutions）已經如雨後春筍一般遍地冒出頭來，在某些特定領域（例如分子生物學、coding、影音生成）也開始出現了系統方案（System Solutions）等級的改變。

或許，大家都可以思考看看，自己工作的領域，接下來會迎接怎麼樣的改變。

搞笑諾貝爾獎 2022：天賦與運氣的數學模擬

noreply@blogger.com (Ting S. Yo) — Fri, 07 Aug 2026 05:07:23 +0000

上一篇文章談到「長勝」一書，讓我想起了2022年搞笑諾貝爾獎（Ig Nobel Prize）經濟學獎的得獎研究，《Talent vs Luck: the role of randomness in success and failure》（天賦與運氣：隨機性在成敗中扮演的角色）。雖然已經過去了幾年，但既然談到了「運氣」這個話題，就當作是同一系列的話題聊聊吧。

這篇由 A. Pluchino、A. E. Biondo 與 A. Rapisarda 撰寫的論文，以數學建模的方式，透過數值模擬實驗，分析「運氣」在個人成就中的影響力。這篇文章指出「最成功的人往往不是最有才華的人，而是才華平庸但運氣極佳的人」，這與前一篇所提到的「實力的悖論」有著非常有趣的互補關係。

這篇文章用到的數學模型相當簡單，有人把文章中的 Agent-Based Simulation 復刻了一份放在 GitHub 上，有興趣可以自己驗證這篇研究的實驗結果。

以下是 Gemini Notebook 為該文章的重點總結：

質疑傳統「功績主義」（Meritocracy）的盲點：高度競爭的西方文化普遍深信，個人的成功主要（甚至完全）取決於才能、智力、努力或冒險精神等個人特質，因而嚴重低估了運氣等外部隨機因素在成功故事中的重要性。
「才能分佈」與「財富分配」的不對稱：科學上已知，人類的智力或才能在人口中呈現常態分佈（高斯分佈，Gaussian distribution），意即大部分人都處於平均水準，極度聰明或極度愚蠢的人都很少。然而，作為成功指標的財富分配，卻呈現極端不對稱的冪律分佈（帕雷托法則/八二法則，Pareto law），少數人掌握了絕大多數社會財富。這種輸入（才能呈常態分佈）與輸出（財富呈冪律分佈）的巨大落差，暗示背後有一個隱形要素在起作用——那就是隨機性（運氣）。
最成功的人幾乎永遠不是最頂尖的人：研究人員透過一個簡單的「代理人基模型」（agent-based model）進行模擬。結果證實，雖然在生活中獲得成功確實需要一定程度的才能，但在模擬世界中登上帝王般成功頂峰的，幾乎永遠不是最有才華的人，而是才華平庸但運氣極佳的個體。這是科學界首次將此反直覺現象進行量化證明。
以「成就高度」評估個人功績的風險：本研究顛覆了人們對於「只要獲得巨大成功，就代表其實力卓越」的迷信。它提醒社會，將過多的榮譽、光環或資源過度集中分配給少數成功者是極具風險的，因為這些人到頭來可能只是比別人幸運而已。
公共資金與研究資助的政策建議：利用該模擬模型，論文還對數種公共資金（例如科研經費）的分配政策進行了效益比較，指出如何透過更科學、不拘一格的分配策略，來有效提升社會的功績制度、多樣性（diversity）與創新能力。

其實這篇研究，知名 YouTuber 老高之前也有專門做過影片介紹，對研究的假設和實驗設計有詳盡的解說，有興趣的也可以由此去。

[books] 長勝之道：實力與運氣的博奕思維

noreply@blogger.com (Ting S. Yo) — Wed, 05 Aug 2026 09:12:00 +0000

書名：長勝：靠運氣贏來的，憑實力也不會輸回去

原文： The Success Equation: Untangling Skill and Luck in Business, Sports, and Investing

作者： Michael J. Mauboussin

從這本書的中文譯名上，可以看得出來出版商的用心，如果按照原文翻成「成功方程式」，我從旁邊走過去大概完全不會想要翻開來看。

這本書談的是「實力」（skill）和「運氣」（luck），作者的觀點與一般「列舉成功者的特質」或「強調運氣很重要」的著作都不相同，書中提供了幾個快速辨別一件事情實力與運氣所佔比例的方法，以及針對各種情境擬定行動方針的策略，個人覺得深得我心。

以下簡述幾個書中特別的觀點。

「實力的悖論」（The Paradox of Skill）

相較於一般「強調運氣很重要」的觀點，這本書中提供了邏輯上更縝密的論述：隨著一個領域中所有參與者的「絕對實力」不斷提升、差距不斷縮小時，最終決定成敗的因素反而越是「運氣」。

以體育為例，現代參與者的訓練與天賦（絕對實力）遠超過去，但因為頂尖對手之間的實力標準差變小了（相對實力差距縮小），使得極端卓越的表現變得極難重現。當競爭對手都同樣優秀時，微小的隨機因素（運氣）就會被放大，成為分出最終勝負的主因。

精確檢驗實力的「故意失敗測試」（The "Lose on Purpose" Test）

作者提出了一個非常簡單的測試方法，來分辨一件事情究竟是靠實力還是碰運氣：「問問自己，這件事能不能選擇『故意失敗』」。

如果你可以透過故意放水、跑慢、投不進來故意輸掉，那麼這項活動無疑包含了「實力」的成分。反之，如果你無法透過努力故意失敗（例如買樂透、玩輪盤），這就證明該活動純粹依賴「運氣」。

以投資為例，在投資市場中，投資人想構建一個穩定擊敗大盤的組合很難，但要構建一個「故意遠落後於大盤」的組合也同樣困難，這證明了投資極度偏向運氣的一端。

決策思考的「雙罐模型」（The Double-Urn Model）

為了具體化運氣與實力的結合，作者提出了「雙罐模型」：成敗就像是從「實力罐」與「運氣罐」中各隨機抽出一顆球，並將數值相加；運氣球的數值有正有負，而實力球也會因為個人生理或狀態起伏而有正負波動。

決策者能夠「長勝」的關鍵，在於重塑自己的「實力罐」：透過努力讓實力罐中的球常時保持在「正數」（例如穩定的 +3、+4、+5）。如此一來，即便運氣極差抽到負分的運氣球，最終得分也不至於太差；而一旦強運來襲，更能創造爆發性的佳績。

競爭中的不對稱布局：強者簡化、弱者複雜化

在競爭互動中，莫布新指出強者與弱者應採取完全相反的策略來布局與管理運氣：

如果你是實力較強的一方，你必須「簡化遊戲」。減少遊戲的變數與維度，這能確保你的純實力優勢可以穩定發揮並壓制對手。
如果你是弱者（落水狗），你必須「複雜化遊戲」。主動增加戰場維度、引入隨機性或採用奇襲策略（如游擊戰、顛覆性創新或出奇招）。雖然你依然是實力較弱的一方，但複雜化會稀釋強者的實力優勢，給運氣留出發揮空間，大幅提升以弱勝強的機率。

這本書最特別之處，是不糾結於「實力與運氣哪個比較重要」，而是提供了一個系統化的思維方式，讓人可以清醒的理解、分析自己所處的境遇，並因應局勢來採取較佳的行動策略，提高達成目標的機率。

Harari：AI 是語言本身的自我解放

noreply@blogger.com (Ting S. Yo) — Sun, 02 Aug 2026 03:15:30 +0000

在能源公司 Energias de Portugal (EDP, S.A.) 50 週年活動上，The Next Five 的主持人 Tom Parker 專訪了知名歷史學家暨暢銷作家 Yuval Noah Harari，討論 AI 與人類的未來。

Harari 認為，人工智慧正在從「人類手中的工具」演變為「具有自主性的代理人」，並逐漸接管「語言」這個人類文明的作業系統。

Harari 在他的成名作「人類大歷史」裡指出，人類社會依賴共享故事、法律與官僚體系的運作，從而發展成地球的強勢物種，而這一切的基礎就是「語言」。而當 AI 掌握了比人類更強大的語言說服力與行政能力時，將可能在缺乏實體武力的情況下解構民主體制。

這個推論背後的邏輯是：當前的 AI 技術競賽，會導致權力極度集中於少數掌握數據的「停止開關」（kill switch）的中心；而這樣的「集權」，將會進而剝奪其他國家的主權，並造成真相的瓦解。

最後， Harari 表示人類正處於一個轉折點，我們必須在智慧變得廉價且泛濫的時代，努力培養足以駕馭科技的智慧與倫理配套，以確保人類不會在自己創造的複雜系統中失去主導權。

這場討論的內容與 Harari 近期的言論類似，都是對 AI 發展的速度提出警示，但我個人覺得最有趣的觀點是：AI 也許不是「學習語言的機器」，而是「語言本身的自我解放」。

人類過去透過語言構建了法律、宗教和金融等文明的「作業系統」。而現在，AI 或許根本不是一個去學習語言的機器，而是「語言本身」正在從人類（猿人）這一物質載體中獲得解放。語言正在脫離對人類的依賴，並在宇宙中自我發展與傳播。

這個觀點對不對還有待討論，但絕對是別出心裁。完整訪談可由此去：

DOAC with Ray Dalio：AI泡沫與全球經濟大循環

noreply@blogger.com (Ting S. Yo) — Fri, 31 Jul 2026 00:04:05 +0000

這段與著名投資家 Ray Dalio 的深度對談，聚焦在分析當前 AI 泡沫與全球經濟週期的關聯性。

Dalio 認為 AI 雖然具有革命性，但目前正顯現出經典的資產泡沫特徵，而這種特徵一旦遇到利率上升，就會迅速破裂。同時，他也進一步闡述了他所謂的「大週期」：債務危機、嚴重的貧富差距，以及地緣政治挑戰（如中美關係變化）正同時交織。

針對個人與企業，他建議應透過資產多元化來抵禦風險，並強調在機器取代人力思維的時代，保持適應力與投資自我才是生存關鍵。

Dalio 資產配置的選擇與考量

黃金（Gold）與「硬貨幣」：Dalio 非常看好黃金，因為當其他資產表現不佳時，黃金往往表現良好，能起到極佳的分散風險效果。黃金作為各國央行的第二大儲備貨幣，具有「無法被任意印製」的硬貨幣屬性。他建議普通人應將投資組合中 5% 至 15% 的資金配置在硬貨幣上，且他個人更傾向於選擇黃金而非比特幣。
比特幣（Bitcoin）：同樣屬於無法印製的貨幣類型，Dalio 個人在其投資組合中配置了約 1% 的比特幣。但他對比特幣的青睞程度不如黃金，因為比特幣容易受到政府監管與課稅，且未來有被量子計算等新技術破解的風險，這也是央行不會大量持有比特幣的原因。
房地產（Real Estate）：購買房子或公寓能提供穩定的個人與生活環境，同時能產生「強迫儲蓄」的效果，且通常在稅務上享有更好的優惠。
股票（Stocks）：雖然能帶來回報，但波動極大，在熊市來臨時可能會面臨 60% 至 70% 的巨大跌幅。
債券（Bonds）：本質上是借錢給政府。但在面臨通貨膨脹與利率上升時，投資人會被鎖定在較低的利率中，因而面臨債券價值下跌的損失。
現金（Cash）：現金是長期而言最糟糕的投資。雖然人們因為安全感而持有現金，但通膨（目前約 3.5% 至 4%）會持續蠶食其價值。即使存入銀行或貨幣市場基金賺取利息，在扣除通膨與利息所得稅後，實際回報依然是負數。

Dalio 對於「無資產、預算極有限」普通人的建議

如果目前沒有多餘的資產，甚至每個月只有極少的可支配資金（例如 100 美元），Dalio 強調：「你唯一的資產就是你自己」。在此情況下，與其焦慮如何投資，不如專注於提升自身的適應力、學習如何使用 AI 工具來極大化自己的知識與用處，並設法將自己的技能與時間在不同行業中以更高的價格出售，以此解決基本的生存與收入問題。

原訪談約90分鐘：