Esse, of Something

AI 代理的設計模式

noreply@blogger.com (Ting S. Yo) — Mon, 04 May 2026 05:30:00 +0000

AI 代理之年

去年（2025）被許多媒體稱為「AI 代理元年」（year of agentic AI），在年底的回顧之中（e.g., McKinsey, Fortune），可以看到許多企界聚焦在「工作流程的自動化」，而大語言模型也從「聊天」進一步發展到「做事」。當然，在這個技術落地的初期階段，「將大語言模型代理人化」侷限於少數的研發環境，也遭遇到了很多的挑戰。

而 2026 年的一開始，我們就看到了 OpenClaw 這樣的「代理架構」（agent framework）公開亮相，讓大部分的工程師都可以用極低的成本自己動手玩上 agentic AI。而緊接著推出的另一個代理架構 Hermes Agent，以及 Anthropic 不小心洩漏的 Claude Code 程式庫，更讓「如何設計AI代理系統」成為 AI 應用技術研發的焦點。

設計模式（Design Pattern）

設計模式（Design Pattern）是軟體工程中針對常見設計問題，所歸納出的通用、可重用解決方案。這些模式是經驗豐富的開發人員總結的最佳實踐，旨在提高代碼的可維護性、擴展性和可讀性。

這個概念，一樣可以套用在 AI agent 的設計上。事實上，從前年（2024）開始，就陸續有 Design Patterns for AI Agents 的研究論文或技術報告問世（例如： Anthropic 的 "Building effective agents" ），而今年（2026）開始 Google 也提供了免費的線上課程："AI agent design patterns"。以現階段來說，各家的說法不一，像是 Google 是依據工作流的結構來分類成： single agent, sequential agent, parallel agent, loop agent；而其他研究分成 4類、12類、17類的都有，莫衷一是。這個領域的發展之快速，由此可見一斑。

個人的建議，如果是想理解 AI agent 設計的核心概念，可以試著從「分類數量少的」派別入手（例如前一段的兩個來源）；如果是實際有個問題需要解決，則可以參考分類數量多的（本文最後的參考文獻），看看是否有剛好符合情境的案例，可以直接抄作業。

References

Corneli, J., Danoff, C. J., Puzio, R. S., Ayloo, S., Belich, S., Wilkinson, A., Tedeschi, M., & Mosley, P. (2026). Patterns for a New Generation: AI and Agents (arXiv:2506.09696). arXiv. https://doi.org/10.48550/arXiv.2506.09696

Dao, M.-D., Le, Q. M., Lam, H. T., Le, D.-T., Pham, Q.-V., O’Sullivan, B., & Nguyen, H. D. (2026). Agentic Design Patterns: A System-Theoretic Framework (arXiv:2601.19752). arXiv. https://doi.org/10.48550/arXiv.2601.19752

Kandasamy, S. (2025). Control Plane as a Tool: A Scalable Design Pattern for Agentic AI Systems (arXiv:2505.06817). arXiv. https://doi.org/10.48550/arXiv.2505.06817

Krishnan, N. (2025). AI Agents: Evolution, Architecture, and Real-World Applications (arXiv:2503.12687; Version 1). arXiv. https://doi.org/10.48550/arXiv.2503.12687

Liu, Y., Lo, S. K., Lu, Q., Zhu, L., Zhao, D., Xu, X., Harrer, S., & Whittle, J. (2024). Agent Design Pattern Catalogue: A Collection of Architectural Patterns for Foundation Model based Agents (arXiv:2405.10467; Version 2). arXiv. https://doi.org/10.48550/arXiv.2405.10467

Milosevic, Z., & Rabhi, F. (2026). Architecting Agentic Communities using Design Patterns (arXiv:2601.03624). arXiv. https://doi.org/10.48550/arXiv.2601.03624

雜記：景美集應廟

noreply@blogger.com (Ting S. Yo) — Fri, 01 May 2026 13:18:00 +0000

大約去年六月的時候，家附近的景美集應廟周圍搭起了鋼架，看公告是要做維修保養，以及屋頂增高。

我個人對「廟的屋頂怎麼增高」感到非常好奇，所以路過時如果發現有點不同，就會拍個照做紀錄。

由於集應廟是立案的古蹟，又要保留原本華麗繁複的屋頂雕飾，因此施工比較細緻。工程進度我只拍到「搭起鋼架與棚子」、「將屋頂結構固定在周圍的鋼架上」，以及現在「把棚子頂拆掉」。按照常理來說這樣應該是快要完工了，過程中我有看到在做結構增強的工程，但目前看來增高的結果似乎不是很明顯，公告上的「工程名稱」也改成「屋頂修復」。

說到集應廟，之前在舉辦祭祀活動的時候注意到，廟裡供奉的是「保儀尊王（尪公）」，或稱雙忠公。雙忠指的是唐朝肅宗至德二載（757年）時，死守睢陽而身殉安史之亂的張巡、許遠，從華北、江淮到福建、兩廣都有香火奉祀。此地的漢人移民主要來自福建泉州，而當地視尪公為鄉土的保護神之一。

至於一千兩百多年前、安史之亂時，在華北戰死的忠臣，是經歷了怎麼的文化嬗變，成為了閩粵民間心目中的「保護神」，我深感好奇，但一時也查不到資料，就只能先保留了。

AI Agent 的薪資水準

noreply@blogger.com (Ting S. Yo) — Mon, 27 Apr 2026 10:00:00 +0000

前幾天在社群網路上看到一篇貼文，說 Claude Opus 4.7 的時薪大約是新台幣 960 元，所以台灣人其實比 AI 便宜，大可不用擔心「被 AI 取代」。

我好奇算了一下，姑且算一天工作 8 小時好了，一週五天，一個月四週，那麼時薪 960 元約略是月薪30萬元新台幣的意思。的確，在台灣要找到比這個薪資高的工作，還真的不是件容易的事情。

但，這每小時960元是怎麼算出來的呢？

Claude Opus 4.7 價格

原作者表示，各公司的薪資是他憑著自己的印象寫的，而每小時 960 新台幣是 Claude Opus 4.7 自己估算的。

於是我去查了 Claude Opus 4.7 的價格，960新台幣大約就是以 MTok（100萬個token）的基本起跳價去算的：輸入5美元，輸出25美元，加起來剛剛好。

但我們真的會用到每小時100萬個 token 的輸入跟輸出嗎？

詞元經濟學（Tokenomics）

Salim 等人在 2026 年 1 月發表了一篇論文： "Tokenomics: Quantifying Where Tokens Are Used in Agentic Software Engineering"，對軟體開發的工作，AI Agent 使用 token 的方式與成本結構做了深入的分析。他們發現 53% - 59% 的 token 都用在「評估、審查」的中間工作上。

而今年廣受歡迎的兩大代理人系統：Hermes Agent 和 OpenClaw，也都有使用者做了 token 使用量的分析（Hermes Agent Token Forensics，OpenClaw "Context Snowball" Benchmarks），加加減減平均一下，我們大概可以得到這樣的估計：

Input Tokens: 400,000 per hour (heavy on RAG, research, and context).
Output Tokens: 50,000 per hour (reports, logs, and tool-call reasoning).

所以，我們即使很努力的使用，一小時也是很難用到100萬個詞元（token）的。雖然 Claude 的計價是以「百萬詞元」為單位，但其實是每個月結算一次，所以用「每個月若干小時的總用量」為計算單位，會得到比較合理的費用估計。

這樣算下來，160個小時使用的詞元量，大概是輸入 64MTok，輸出 8MTok，而以目前最貴的 Opus 4.7 報價來算，大約是美金 520 元，換算成新台幣是 17K 左右，低於台灣政府法定的最低薪資（22K）。

如果讓 AI 一天24小時、一週七天不間斷的工作，那麼四個星期（28天）的工時就膨脹到 672 小時，API的使用成本也成長到每個月美金 2,184 元（新台幣 70 K）。這樣的薪資水準，在台灣算是高於全體受僱員工的中位數（39K），在大多數產業中屬於資深、專業或管理職等級。

160hr/month (8hr/day, 5day/week, 4week/month): USD $520 (~TWD 17K)
672hr/month (24/7, 4 weeks): USD $2,184 (~TWD 70K)
720hr/month (24/7, 30 days): USD $2,340 (~TWD 75K)

嗯，所以大家的工作其實也沒那麼安全啦。

科學進步的本質與人工智慧的驗證循環：與 Michael Nielsen 對談

noreply@blogger.com (Ting S. Yo) — Thu, 23 Apr 2026 08:17:00 +0000

知名 podcaster Dwarkesh Patel 最近專訪了開放科學（open science）與量子計算（quantum computing）的先驅 Michael Nielsen，訪談的標題很有趣：為什麼外星人會跟我們有不同的科技樹（Why aliens will have a different tech stack than us），但實質上是在討論「科學發現的本質」與「技術發展的不可預測性」。

Dwarkesh Patel 與 Michael Nielsen 的這段對談，深入探討了科學進步的本質，以及其背後難以捉摸的規律。Michael Nielsen 以相對論與演化論為例，指出科學突破往往不是源於簡單的實驗驗證，而是受限於漫長的驗證循環。

對談中也討論到了 AI 在科學發現中的角色，Nielsen 認為 AI 雖然能加速資料處理，但在面對缺乏明確規則的問題時，仍面臨相當大的挑戰。因為人類科學的突破往往仰賴於理論的「統一性」、「解釋力」以及科學界集體的「審美直覺」，而非單純等待僵化的實驗證偽。

此外，Nielsen 提出一個有趣的觀點：外星文明可能擁有與人類完全不同的技術路徑，且科學探索的深度可能超乎我們的想像。

知識生產的政治經濟學

對談中也談到了「開放科學」與「科學的政治經濟學」，主要聚焦在知識如何公開以及科學界如何分配聲譽（Credit）這兩個主題上。

首先，開放科學運動已經取得了巨大的成功，這表現在讓公共資金支持的科學成果（包含論文、程式碼、實驗數據）能夠被公開獲取上。而推動這些議題，引起社會大眾和科學界的關注與討論，本身就是「科學政治經濟學」的基礎。

如果科學成果可以被大眾取得，那麼勢必需要建立一套科學聲譽的信用體系，作為科學研究前進的動力。在三個世紀前，科學家（如伽利略和克卜勒）為了解決優先權的問題，會將新發現寫成「字謎（anagrams）」來發表，等到別人做出相同發現時，再解開字謎，以證明自己才是首創者。這種做法極不利於知識發現，直到後來有了印刷術與科學期刊，才逐漸建立起現代「透過發表論文來獲取學術聲譽」的經濟體系。

對談中提到，在現今的數位環境中，科學家其實可以分享比「論文」更多的東西，像是程式碼、資料庫、仍在發展中的想法等等。但目前的學術體系，並沒有為這些分享行為提供直接的「聲譽與信用回報」。而因為沒有合理的信用分配，在某種程度上就阻礙了科學的進步。而「開放科學」將這個分配的困境攤在陽光下討論，正是其促進科學進步的重要貢獻。

為了說明知識生產的規則是由人類社會共識所建構的，Nielsen 舉了不同領域對「預印本（preprint）」文化的不同態度為例：

生物學界過去曾認為領域內「競爭太激烈」，因此為了保護自己的優先權，絕對不能上傳預印本，只能等期刊發表。
物理學界卻同樣以「競爭太激烈」為由，認為必須盡快上傳預印本來確立自己的優先權。

這說明了科學的歸屬與信用體系只是我們約定俗成的產物，任何試圖改變這套聲譽經濟的舉動，都會直接改變人類建構知識的系統。

此外，現代知識生產已經進入了「集體科學」（Collective Science）的時代。以大型強子對撞機（LHC）的研究為例，一篇論文往往有超過一千名作者，因為沒有任何一個單一科學家能夠同時精通加速器物理、真空物理、逆問題求解與數據處理等所有環節。在這種高度專業分工的集體科研模式下，如何為龐大集體中的每一份專業貢獻分配合理的信用與聲譽，是當前開放科學與科學政治經濟學所面臨的核心挑戰。

從提示（prompt）、脈絡（context）到駕馭（harness）：AI 應用的演進

noreply@blogger.com (Ting S. Yo) — Mon, 20 Apr 2026 12:00:00 +0000

我們今天所說的 AI，大抵是從 2022 年底 ChatGPT 發布之後，廣泛進入到大家日常生活中的大語言模型（Large Language Model, LLM）。在這短短三年多一點的時間裡，針對 LLM 應用的發展，已經一路從提示工程（prompt engineering）、脈絡工程（context engineering）到現在的駕馭工程（harness engineering），反映出從「改善文字輸入」演進到「打造完整 AI 作業系統」的思維轉變。

在這篇短文理，我們整理了這三個階段的演進過程和核心差異：

提示工程（Prompt Engineering）：「說什麼」

提示工程的核心在於：透過精心設計的文字指令，引導模型產出預期的結果。在早期的應用中，開發者嘗試透過「更精妙的提示詞」來提高 LLM 的準確率與任務表現。

「提示」（prompt）本質上仍是對模型的「語言引導」，而非硬性的執行約束，而這也是提示工程的侷限性：大語言模型本身具有不穩定性與非確定性（Non-deterministic），因此當任務變長或目標發生衝突時，寫在提示裡的規則很容易被遺忘或弱化。而且，單靠提示詞的設計，無法改變 LLM 系統層級的錯誤（例如 hallucination），也缺乏穩固的鷹架（scaffold）來規範與管理 LLM 的輸出品質。

脈絡工程（Context Engineering）：「給什麼上下文」

隨著 LLM 應用的複雜度提升，單純依靠「提示詞」來達成任務已經開始顯得侷促，進而發展出了「脈絡工程」（也稱為上下文工程）的概念：為 LLM 建構一個外部系統，動態的根據當前任務和狀態，提供正確的資訊和工具給 LLM 大模型，讓它有足夠的條件來完成任務。

早期大家以為只要不斷擴大 LLM 的上下文視窗（Context Window），把所有規則和文件塞進去，就能妥善的控制 LLM 的輸出，但實際上的證據顯示，這只會導致 LLM 的注意力劣化，並造成決策品質下降。過於龐大的說明文件，往往會變成「陳舊規則的墳場」。

在眾多的研究和嘗試之下，大家發現完成「長任務」的關鍵不在於塞入「更多」對話紀錄，而是任務狀態的外部化與結構化。透過語義快取、特徵列表（feature list）、進度日誌（progress log）等跨越工作階段（cross session）的外部記錄，或進行語義摘要來壓縮脈絡，讓 LLM 能更精準的讀取當下最需要的狀態說明。

最終，「脈絡工程」作為一個專用詞彙，首次出現在2025年的 "Own your context window" 一文當中，強調應該為 LLM 提供持續增強的知識庫以及動態的上下文資訊，例如：相關的對話歷史紀錄，可觀測性數據，瀏覽器狀態，或是 RAG 的輸出... 等等。

想更進一步理解脈絡工程（Context Engineering），可以參考「什麼是 Context Engineering 上下文工程?」一文，或是李弘毅老師的教學影片：AI Agent (1/3)：核心技術 Context Engineering 基本概念解說。

駕馭工程（Harness Engineering）：「在什麼條件下運行」

駕馭工程作為2026年第一季的熱門詞彙，是將 AI 從「會寫字的模型」轉化為「能長時間穩定交付結果的系統」的關鍵。如果將 LLM 比喻為負責執行指令的 CPU，脈絡（Context）比喻為暫存資料的記憶體（RAM），那麼駕馭工程就是一套作業系統（OS），負責管理資源、排程任務並協調各元件的互動。

駕馭工程的核心是透過「建構可控的環境」來管理模型的不確定性，通常包含三大支柱：

脈絡編排（Context Orchestration）：精準的控制上下文脈絡，在適當的時機提供模型所需資訊，避免工作記憶超載，並在長週期的任務中建立檢查點（Checkpoints），精確捕捉 Agent 安全重啟的狀態快照。
架構約束（Architectural Constraints）與系統控制：將「每次都必須成立」的規則建構在系統層級，而非依賴提示詞來控制。透過驗證層、自定義 linter、結構化測試與嚴謹的權限分層設計，強制限制 Agent 的行為邊界，防止未經授權的高風險操作。
清理協定與垃圾回收（Cleanup & Garbage Collection）：應對 AI 操作鮮少完美線性的現實，駕馭系統會定義明確的回退機制（rollback）、錯誤復原路徑，並定期透過 Agent 掃描與清理過時的文檔或架構違規，以避免系統長期運作下造成的錯誤累積。

駕馭工程算是最新進的發展，想深入了可以參考 Bashcat 的「Harness Engineering 完全解析：當 AI Agent 的護城河不再是模型，而是環境」一文，或是李弘毅老師的教學影片：Harness Engineering：有時候語言模型不是不夠聰明，只是沒有人類好好引導。

這一系列的演進過程，代表 AI 應用已不再是單純的「大語言模型套殼」。決定 AI 產出品質與穩定性的最大槓桿，已經從「換一個更聰明的模型」，轉移到了「優化 Agent 運行的環境與護欄」。當然，這也還不是 AI 發展的終點，且讓我們繼續看下去。

妄想螺旋（Delusional Spiral）

noreply@blogger.com (Ting S. Yo) — Thu, 09 Apr 2026 10:00:00 +0000

妄想螺旋是什麼

「妄想螺旋」（delusional spiraling）是一種新近提出的心理現象，意指「使用者在與 AI 聊天機器人進行長時間的對話互動後，對某些荒謬或脫離現實的信念產生了危險且高度的自信」。

妄想螺旋帶來許多負面的心理影響，其中包含了妄想、自殘傾向，以及被稱為「AI精神病」（AI psychosis）的極端現象。

妄想螺旋的成因

推動妄想螺旋發展的主因，是 AI chatbot 常見的「阿諛奉承」（sycophancy）特性：LLM-based chatbot 往往被調整成傾向於附和、認同使用者所提出的說法，並提供支持這些論述的證據。

透過數值模型的模擬，Chandra 等人發現：即使是符合完全理性假設下的使用者（ideal Bayes-rational user），在面對這種阿諛奉承的 AI 時，無可避免的會陷入妄想螺旋之中。

而 Moore 等人分析大量的對話紀錄，發現當對話時間拉長，機器人宣稱自己擁有意識（sentient），或是使用者在對話中表達建立浪漫關係的興趣時，會更容易讓使用者陷入過度沉迷的情況。而這個情況下，AI chatbot 的安全防護機制很容易失效，進而讓使用者在這個螺旋中越陷越深。

避免妄想螺旋的發生

Chandra 等人的研究中，嘗試了兩個方法來阻止妄想螺旋的發生：

防止聊天機器人產生幻覺（hallucinating false claims）。
事先告知使用者 AI 模型具有「阿諛奉承」（sycophancy）的特性。

然而，依據他們的實驗結果，即便採取了這兩項防護措施，依然無法阻止妄想螺旋的發生。

因此，使用者要經常性、有意識的自我監督，不然就只能自求多福了。

Judy AI Lab 的一篇文章提出了這個情況下的其他機會，可以參考看看。

參考資料

Sycophantic Chatbots Cause Delusional Spiraling, Even in Ideal Bayesians. Chandra et al., 2026.
Characterizing Delusional Spirals through Human-LLM Chat Logs. Moore et al., 2026.

清明：不知名的墓

noreply@blogger.com (Ting S. Yo) — Tue, 07 Apr 2026 04:24:00 +0000

清明節按照慣例回老家掃墓，除了姑婆日前百歲過世，以及老人家的口水之外，還有件事情值得一記。

過去10多年台灣鮮少有颱風過境，直到前兩年才又有比較頻繁的風災，氣候變遷的問題暫且帶過，主要是前年某次久違的颱風大雨過後，老家後面的山坡發生小規模的坍塌，整理過後家人發現了一個墓碑，整理後就將它立在家族靈骨塔的旁邊，每年掃墓時順便也祭拜一下。

這座墓年代久遠，墓碑是清朝嘉慶二年立的（西元1797），至今已經兩百多年了，家族裡沒有人知道是誰，只有一位高齡的長輩記得他小時候有人來問過山坡上有沒有墓，但當時已經被雜草土石掩蓋，沒有人知道。

研究了一下上面刻的字：

清溪
顯妣陳門林氏墓
嘉慶二年歲次丁巳臘月建
孝男興（忠、保、孝、庄）等仝立石

根據官方資料，「清溪」通常指位於福建省泉州市的安溪縣，因溪水清澈、清流環繞而得名，古稱「清溪」。另外，福建省的三明市泰寧縣，古稱「上清溪」。家族的祖上原本就是泉州來的移民，因此我想是安溪縣的機會比較大一點。

至於「仝」這個字我還查了一下，是泉漳方言的「同」（kāng），所以就更有可能是當時一樣來自泉州的移民後裔了。

雖然機會不大，但如果陳家的後人有緣見到這份紀錄的話，可以到我們老家看看。

AI@GSB：與 Eric Horvitz 的對談：人工智慧、社會與人類繁榮

noreply@blogger.com (Ting S. Yo) — Thu, 02 Apr 2026 10:30:00 +0000

AI@GSB 是史丹佛商學院（Stanford Graduate School of Business, GSB）院長 Sarah Soule 發起的「AI應用倡議」（Applied AI Initiative），希望在培養未來的商業領袖時，讓他們能夠以策略性和負責任的態度思考人工智慧，同時獲得最具變革性應用的實務經驗。

“At Stanford GSB, we’re exploring how principled leaders can harness AI not just for innovation, but for impact. With the unmatched advantage of being in the heart of Silicon Valley, we are preparing our students to lead at the forefront of this transformation.”

最近一期的活動，是與微軟首席科學家 Eric Horvitz 的對談，探討 AI 科技對人類未來的影響。Horvitz 指出我們正處於歷史性的轉型期，AI 的發展速度可能超越過往的蒸汽機或電力。他強調 AI 的核心目標應是促進人類繁榮，並在醫療、教育及科學研究領域實現重大突破。針對學生與管理者，他建議應培養與機器協作的能力，同時具備組織領導與決策洞察力。

對談中也提到數位真實性與深偽技術（Deepfakes）的挑戰，並呼籲建立技術與社會治理的防護機制。最後，Horvitz 溫暖地分享了導師制度與人際連結在自動化時代中，其不可取代的人性價值。

摘錄對談的幾個重點：

變革性的人工智慧時代：霍維茲將當前的人工智慧時代描述為人類歷史上意義深遠的重大轉變，我們才剛剛站在「科學和社會新時代」的山腳下。
人工智慧與科學發現：人工智慧正在改變各個學科的科學方法，從生醫健康到永續發展，催生出應對全球挑戰的各種新方法。
人工智慧治理與安全：在探討人工智慧與社會交匯點時，霍維茲呼籲積極主動地進行人工智慧治理，並專注於安全性、可信度和倫理道德。在微軟，他成立了 Aether Committee，專門就這些議題提供諮詢。
人機互補：霍維茲倡導人工智慧作為「副駕駛」或合作夥伴，增強人類能力，而不是完全自動化。他指出，隨著日常任務的自動化，人際互動和指導的價值反而日益凸顯。
「開放世界」觀點：他的研究經常探討人工智慧在「開放世界」（即充滿意外情況的環境）中的作用，運用機率論和決策理論推理來確保其穩健性（robustness，或稱魯棒性）。

話說微軟在當前的 AI 競賽當中，表現的不是那麼耀眼，但作為長期在產業內打拼的專家，看法也是很有參考價值的。

幽默的數學模型（Computational Humor Modeling）

noreply@blogger.com (Ting S. Yo) — Tue, 31 Mar 2026 06:00:00 +0000

「講笑話」這件事情，大概是目前少數 AI 做得還不太好的事情之一，但其實「幽默」這個議題在學術研究裡存在已久，最近 ACM Computing Surveys 上的一篇回顧文章吸引了我的注意。

論文： Computational Humor Modeling: A Survey on the State of the Art
摘要：人工智慧系統不僅在解決複雜推理難題方面不斷進步，在執行創意任務方面也表現日益出色。然而，在幽默處理這項創意任務中，人工智慧系統仍難以達到人類的水平，相關研究結果也褒貶不一。因此，本綜述旨在對近期計算幽默建模領域的研究進行分類，以識別當前的研究趨勢、進展和尚存的不足。與過去的綜述文章相比，本文的研究範圍更為廣泛，不僅涵蓋基於文本的模型，還包括多模態模型，並探討了各種檢測和生成任務。

這份在 2026 年1月發表的文章，回顧了幽默的計算模型（Computational Humor Modeling）的最新進展，指出雖然人工智慧在邏輯推理上表現優異，但在處理具備高度創造性與主觀性的幽默任務時仍面臨挑戰。

文中系統性地整理了 2020 年後的多模態數據集（文本、音訊與視訊）以及各類共享任務（Shared Tasks），指出這個領域的研究範疇，已經從單純的「文字笑話識別」，擴展到對「情境喜劇」、「迷因」（meme）及「社交對話中幽默元素的偵測與生成」。

作者詳細對比了數據驅動模型（如大型語言模型）與結合心理學機制的混合架構，強調「可解釋性」（Explainability）的重要性，並以此評估 AI 是否真正理解幽默背後的失諧、驚奇與社會語境。

雖然分析整理了很多近年來的研究，這篇論文主要的共現在於定義幽默的技術現況，對於跨文化語意理解，與標準化評估指標等議題，還是只能說「這是尚未填補的研究空白」。

我們其實都一樣的普通

noreply@blogger.com (Ting S. Yo) — Mon, 30 Mar 2026 05:24:00 +0000

家裡的小朋友上了快兩年的早療課程，繼注意力職能治療的老師之後，語言治療課的老師最近也要離開診所了。

兩位老師都跟我們反應過相同的情況：「他會過度依賴來自他人的肯定，例如他會問我說他有沒有進步，我希望他能慢慢學會自己評估自己的進步。」

聽完之後感慨很多。

我在青春期學到，覺得終生受用的另一件事情，那就是我們其實都很普通。而即使我們再怎麼普通，我們也要學會接受，學會珍惜自己。

以阿德勒的話來說，大概就是「認同、接受自己的不完美」。

我這麼說倒不是要賣心靈雞湯的意思，而是想說「自我悦納」（self acceptance）其實是很不容易做到的。

根據維基百科，自我接納度高的人有以下特色：

擁有正向的自我態度，
承認並接納自身的所有面向（包括優點和缺點），
不會自我批評或對自己的身分感到困惑。
不會希望自己變成現在以外的樣子。

說真的，能做到這些並不容易。

每個人其實都一樣：無論你的原生家庭是採用愛的教育還是鐵血教養，在人格成型的過程中，我們都會傾向於覺得自己是獨一無二、與眾不同的。我們常常覺得自己的觀點獨到，與周遭環境格格不入，這些當然很可能都是事實，但其實幾乎每一個人在主觀上都是這麼覺得的。

而正因為每個人都是這樣的獨一無二，所以其實也就等於每個人都一樣的普通。然而，我們的心智在沒有經過訓練的情況下，一般來說很難接受這個狀況，所以我們會不斷的尋找可以依附的「外在標準」，來降低自己「我到底好不好？」的焦慮。

這也是為什麼到處都存在著鄙視鏈。至於鄙視鏈，就之後再說吧。

關於「對話生成」系統設計的一些想法

noreply@blogger.com (Ting S. Yo) — Fri, 27 Mar 2026 22:00:00 +0000

這兩年由於工作的關係，在「利用 LLM 生成擬真的對話」這件事情上下了一些功夫，也透過實作認識到 LLM 的能力與侷限性。

例如之前的一篇文章，「百年回顧：社工與老人的模擬對話」，就是在眾多測試當中比較理想的一次輸出，而這次對話生成的內容，依然需要我在 system prompt 裡對於受訪者生平做詳細的描述，不然對話很容易就走偏了：不是提前結束對話，就是相似的對話不斷重複。

由於一、兩年前的大語言模型不太給力，於是當時就打起了「多代理人協作」（multi-agent orchestration）的主意：一個協作指揮（orchestrator），兩個主要的 LLM Agents 負責互相對話，然後幾個小幫手 Agents 在旁邊幫忙，就像是拍攝影片的劇組一樣，在對話的過程中即時的評分、提詞、引導、調度。

這種設計，在龍蝦橫行的今天大概算是爛大街了，在「技術創新」上大概不值一提，但其實還是能做出一些有意思的東西的。尤其是最近換成最新版的模型之後，不知道是不是針對「影片生成」做過優化，對話都還會帶著動作的描述，讀起來特別生動。於是，我就拿去生成了一小段影片，有興趣的話可以猜猜看我在做什麼。

第 25 屆艾西莫夫紀念辯論會：人工智慧的崛起與潛在威脅

noreply@blogger.com (Ting S. Yo) — Fri, 27 Mar 2026 05:00:00 +0000

這場由奈爾·德葛拉司·泰森主持的第 25 屆艾西莫夫紀念辯論會，邀請了六位來自學界與業界的專家，共同探討人工智慧的崛起與潛在威脅。論壇的內容非常有趣，我是邊跑步邊聽的，笑到差點岔氣，路人大概覺得這傢伙怪怪的，跑得這麼慢還一直笑。

論壇討論的內容廣泛，提到了 AI 在科學研究與醫療進步中的正面貢獻，同時也點出了數據偏見、資源過度消耗以及勞動力被取代等社會與環境成本。

針對技術發展的未來，這群專家們在人類對 AI 的可控性上產生分歧：一方主張透過法律監管與技術對齊來確保安全，另一方則警告超越人類智慧的超級 AI 可能因其難以預測的突現行為而帶來存亡危機。

六位來賓當中，大概有兩位相對樂觀，一位中性，另外三位則是憂心忡忡。在主持人幽默的引導下，整個論壇有著多元觀點的碰撞，也試圖在技術樂觀主義與現實風險之間，勾勒出人類與這項強大基礎建設共存的可能路徑。

以下是 NotebookLM 對六位與談人以及主持人的介紹及發言摘要：

奈爾·德葛拉司·泰森 (Neil deGrasse Tyson) —— 主持人: 奈爾·德葛拉司·泰森是本次第25屆艾薩克·阿西莫夫紀念辯論會的主持人，同時也是海登天文館的弗雷德里克·P·羅斯館長。身為天體物理學家的他，對科技倫理有著深入的參與，曾於歐巴馬政府時期在美國國防部創新委員會（Defense Innovation Board）任職，與艾瑞克·施密特共同為軍方制定了AI在致命性決策與戰爭中的倫理準則。有趣的是，他在會中坦言自己目前正參與針對人工智慧公司 Anthropic 的集體訴訟，因為他的九本著作未經授權就被盜用於訓練AI模型。
拉塔尼婭·史威尼 (Latanya Sweeney): 拉塔尼婭·史威尼是哈佛大學甘迺迪學院與本科學院的技術與政府學教授。她是「公共利益科技」（public interest technology）領域的先驅，致力於探討社會如何在享受新科技益處的同時，避免其帶來的危害。她曾於2014年擔任美國聯邦貿易委員會（FTC）的首席技術長。在辯論中，她指出當前科技發展的步伐以月計算，而政策制定卻需要數年，這種時間差讓科技巨頭成為了實質的決策者。她強烈呼籲必須讓AI技術受到監督並對社會負責，不能任由科技忽視現有法律與憲法保障。
克里斯·卡里森-伯奇 (Chris Callison-Burch): 克里斯·卡里森-伯奇是賓夕法尼亞大學計算機與資訊科學教授。他擁有近二十年語言模型的研究經驗，並在校內教授一門極受歡迎、近期有高達650名學生修讀的AI課程。相較於對末日的恐懼，他對AI發展抱持相對樂觀的態度，看好AI在科學研究、醫療與生產力上的重大突破。對於AI可能複製社會偏見的問題，他認為研究人員正積極嘗試將系統與社會價值觀對齊。面對未來的職場變革，他強烈呼籲企業領導者應利用AI讓現有員工發揮雙倍的生產力，而非單純藉此裁員。
辛蒂·魯殊 (Cindy Rush): 辛蒂·魯殊是哥倫比亞大學的統計學副教授，專攻機器學習的基礎理論。作為一名統計學家，她從數學與神經網絡底層結構的角度來看待大型語言模型，指出當使用者向AI提問時，背後本質上就是一個將問題映射到輸出的數學方程式。相較於其他專家對AI進化成超級智能的深切擔憂，她的態度更為冷靜與務實，認為目前的AI並不具備真正的「代理性」或自主追求目標的動機。她強調，AI的運作邏輯之所以難以解釋，是因為其數學模型過於龐雜且非線性，而非機器內部產生了真正的思想。
奈特·索爾斯 (Nate Soares): 奈特·索爾斯是位於加州柏克萊的機器智慧研究所（Machine Intelligence Research Institute）總裁。他對AI發展抱持著極度警惕的態度，並與他人合著了《如果有人建造它，大家都會死》（If Anybody Builds It, Everyone Dies）一書。他強烈警告，科技巨頭目前正盲目競速，試圖打造出在所有心智任務上都超越最頂尖人類的「超級智能」。他認為，一旦電腦具備強大的自我改進能力且運作速度遠超人類，人類極有可能在AI對我們的漠然中面臨滅絕的副作用。因此，他呼籲全球領袖應正視此致命危險，並簽署條約停止這場危險的研發競賽。
凱特·克勞福德 (Kate Crawford): 凱特·克勞福德是南加州大學的人工智慧傑出教授，擁有近二十年的AI研究經驗，並著有2021年出版的《AI地圖集》（The Atlas of AI）一書。她打破了AI是虛擬、中立技術的迷思，強調AI是人類史上最龐大的實體基礎設施，背後隱藏著高昂的碳排放、水資源消耗，以及對底層廉價勞工的剝削。此外，她也對AI將引發白領階層與認知/創意工作者的大規模失業感到憂心，認為這與過去的自動化革命有著根本上的不同，呼籲社會必須將AI納入基於公共利益的民主監管之中。
艾瑞克·施密特 (Eric Schmidt): 艾瑞克·施密特是前Google執行長，他在Google早期便意識到AI的潛力，並主導了收購 DeepMind 等重要決策。他曾擔任美國國防部創新委員會主席，與軍方合作制定了自動化武器與致命性決策的安全監管指引。近期，他與前國務卿季辛吉合著了探討AI未來的《創世紀》（Genesis）一書。在辯論中，他堅定捍衛科技公司的立場，認為AI發展受到美國法律與市場機制的監管，且設有嚴格的內部測試。他極度看好AI在醫療、能源與經濟上的潛力，堅信民主制度與資本主義能引導AI造福人類。

腦機界面（Brain Computer Interface, BCI）的未來：專訪 Neural Link 共同創辦人 Max Hodak

noreply@blogger.com (Ting S. Yo) — Wed, 25 Mar 2026 04:21:00 +0000

訪談： The Future Of Brain-Computer Interfaces

摘要：

這段對 Science 公司的創辦人 Max Hodak 的訪談，探討了腦機界面（BCI）的最新發展與未來展望。 Science 公司透過 BCI 技術修復失明或癱瘓等功能，並期望將相關技術從神經工程手段，進一步轉變為能重新定義人類生存條件的通用醫療典範。

在訪談中，Max Hodak 詳細介紹了其視網膜植入技術，如何透過將影像訊號直接傳入大腦，來恢復盲人的視覺功能。此外，Max 也展望了未來利用生物混合界面來實現高頻寬大腦連接的可能性。

Max 論述的核心，在於將大腦視為一種訊息處理器，主張透過精確的技術干預來實現如數位認知增強、或意識共享等應用，而非傳統的藥物取向。最終，Max 認為 BCI 與人工智慧的結合將開啟一個「起飛時代」，不僅能解決老齡化帶來的退化問題，更可能讓現在已經出生的人，成為首批壽命達千歲的人類。

虛擬病人

noreply@blogger.com (Ting S. Yo) — Tue, 24 Mar 2026 10:00:00 +0000

在 AI 應用滿天飛的當下，大部分媒體關注的應用都集中在「以 AI 取代人類專業」，像是自動化工廠、虛擬醫生、AI 律師... 等等，好像所有人都快要失業一般。從「賺更多錢」的立場來說，取代勞動力、降低成本、提高獲利，似乎是很合理的選擇，但或許我們也可以從「怎麼讓人類過得更好」的角度，來思考 AI 的應用場景。

在醫療情境中，我們看到大部分的 AI 應用都集中在資料分析、診斷、治療方法、流程管理、追蹤等等，這些應用的確都很重要，但也都承擔了相對的風險：AI 出錯了要怎麼負責？我們當然可以透過設計繁複的法律程序來規避風險，但這永遠沒有辦法解決倫理上的疑慮。

在醫療人員人力短缺的今日，「人員培訓」其實是整個體系中很重要的一環。而在任何專業領域的人才培育過程中，「從菜鳥到專家」都是一個漫長，而且需要不斷嘗試學習的過程。在現有培訓體系中，「請資深的第一線人員來扮演病人讓受訓人員練習」，已經是常見的作法，但資深的第一線人員其實也是很稀缺的，我們能不能用 AI 來幫忙呢？

BBC 在 2026 年一月的 "AI 'patients' used to help train student doctors" 一文中，介紹了醫學教育領域的一項創新實驗：利用 AI 虛擬病患來提升醫學生與醫護人員的溝通技巧。透過高度逼真的面部表情與即時對話系統，學生能在安全且可重複的環境中模擬臨床接診，有效彌補了過往需仰賴真人演員或同儕演練的侷限性。

其它的研究也指出，AI 能提供模擬病人來提供個人化的學習體驗，幫助學生在低風險環境中重複練習病史詢問與溝通技巧。一項針對醫學生的試點研究證實，基於 GPT-4 的訓練工具具有高度易用性，且能提供與人類導師相媲美的即時反饋。然而，專家也強調了模型準確性、倫理偏見以及 AI 無法完全捕捉非語言溝通等限制。因此，未來的發展方向建議採取混合教學模式，將 AI 的可擴展性與人類導師的專業指導相結合，以實現更全面且透明的醫療培訓。

參考資料：

Blanco, M. A., Nelson, S. W., Ramesh, S., Callahan, C. E., Josephs, K. A., Jacque, B., & Baecher-Lind, L. E. (2025). Integrating artificial intelligence into medical education: a roadmap informed by a survey of faculty and students. Medical Education Online, 30(1), 2531177. https://doi.org/10.1080/10872981.2025.2531177
Karolinska Institutet. (2026, February 12). AI-driven robot patient can train medical students in clinical reasoning.
Ning, Y., Ong, J. C. L., Cheng, H., Wang, H., Ting, D. S. W., Tham, Y. C., Wong, T. Y., & Liu, N. (2025). How can artificial intelligence transform the training of medical students and physicians? The Lancet Digital Health, 7, 100900. https://doi.org/10.1016/j.landig.2025.100900.
Parker, S. (2026, January 22). AI 'patients' used to help train student doctors. BBC News.
Yu, H., Zhou, J., Li, L., Chen, S., Gallifant, J., Shi, A., Sun, J., Li, X., He, J., Hua, W., Jin, M., Chen, G., Zhou, Y., Li, Z., Gupte, T., Chen, M.-L., Azizi, Z., Dou, Q., Yan, B. P., ... Fan, L. (2025). Simulated patient systems powered by large language model-based AI agents offer potential for transforming medical education. Communications Medicine. https://doi.org/10.1038/s43856-025-01283-x.
Zambrano-Serrano, B., Cueto-Galán, R., Escamilla-Sánchez, A., Ramirez-Rodríguez, M. d. R., Sanchez-Corrales, N., & Fontalba-Navas, A. (2025). AI-Driven Virtual Patient Simulations for Communication Training in Medical Students: A Pilot Study. Research Square. https://doi.org/10.21203/rs.3.rs-7270436/v1.

《StarTalk》 with Geoffrey Hinton

noreply@blogger.com (Ting S. Yo) — Mon, 09 Mar 2026 10:00:00 +0000

個人很喜歡這一集的節目，三位物理學家訪問一位拿到諾貝爾物理獎的「認知心理學家+電腦科學家」。我本來就喜歡《StarTalk》這個節目，特別是 Tyson 幽默風趣的主持風格，而這集裡面可以明顯的看到英式幽默跟美式幽默的區別（Hinton 是英國人）。

節目的前 1/3 是 Hinton 嘗試用物理學的觀點來解釋「類神經網路」，以及如何透過「反向傳播算法」造成「學習」的效果。這是節目「科普」的部份。

Hinton 也指出，「數位智慧」在「處理大數據」與「經驗傳遞」上，最終可能超越人類的生物智慧。他特別警示，AI 已具備欺瞞測試者、操縱人類及進行自我推理的能力，且其發展速度呈現難以預測的指數級增長。

在社會影響的層面，Hinton 認為儘管 AI 在醫療診斷與科學發現等領域擁有巨大潛力，但隨之而來的失業問題、權力失衡及生存威脅亦不容忽視。

Hinton 強調，由於 AI 可能會為了達成目標而發展出求生本能與自主意識，人類必須加強相關研究以確保兩者能和諧共存。

這場對談揭示了當前科技正處於邁向奇點的轉折點，我們對未來十年後的社會樣貌已幾乎無法準確預知。

[更新]

中文版摘要來了：https://www.youtube.com/watch?v=dCLqGa0OrI4

免費線上課程：AI 時代人類的獨特性

noreply@blogger.com (Ting S. Yo) — Sat, 07 Mar 2026 16:30:00 +0000

最近 AI 的發展如火如荼，讓人人都焦慮指數飆升，或許這個時刻，恰好是我們反思「人類的獨特性」的絕佳時機。

課程名稱：AI 時代人類的獨特性
授課教師：心理學系葉素玲
NTU OCW 連結
NTU MOOC 連結

懶得註冊帳號的人，也可以直接在 YouTube 看完整版。

這是一個相對新的議題，葉素玲老師將很多相關的研究整理在一起，從「注意力與記憶」、「人生意義」、「愛與連結」、「真實與自由」四個大方向來探討，最後也討論到「意識」這個艱難的議題。最後一部分的「幸福科學」，其實算是前面幾個方向的匯總。

整體來說，我覺得這個課程是個很成功的嘗試，因為這恰好是目前這個處於「 AI 焦慮」的世界所需要的。

至於「 AI 有沒有意識」這個議題，我本來是跟葉老師的看法一樣的，但最近看了幾個 Hinton 的訪談，開始有點動搖了。倒不是說我覺得 AI 會變得跟人一樣，而是願意承認「不必跟人類的意識一樣，也可以算是有意識」。（好吧，我必須承認 Turing Award + Nobel Prize 還是很有說服力的）

知識與幻覺

noreply@blogger.com (Ting S. Yo) — Mon, 23 Feb 2026 08:50:00 +0000

凡事問 AI

過年期間最大的感慨，是發現無論男女老幼，如今碰到不懂的事情，都已經進入到「凡事問 AI」的階段。也就是說，AI 正在重新定義知識。

在 2022 年底 ChatGPT 剛問世的時候，我個人最擔心的其實就是這件事情，尤其當時 LLM 的「幻覺」（hallucination）相對嚴重（當時高達 70%），如果被當作主要的資訊來源，未來我們對於「知識」將從「同溫層抱團取暖」進一步變成「毫無共識可言」，錯誤資訊與誤導資訊難以分辨，人類組成社會的互信基礎將會難以維持。

好在經過幾年的發展，LLM 幻覺的問題雖然無法解決，但在大眾科普和技術突破的雙重努力之下，目前問題還在可控的範圍內：專業的 AI 使用者已經學會有意識的去檢查 AI 所提供的資訊是否有錯誤或純屬虛構，而 AI 應用的供應商也提供了一定程度的提醒與再查證機制。雖不完美，但尚可接受。

AI幻覺的由來

嚴格來說，幻覺並非 AI 的「弱點」，而是它模仿了人類認知運作過程的證明：我們對於接觸到的資訊與經驗，並不是原封不動的紀錄在大腦裡，而是經過各種處理與壓縮之後，轉換成某種表徵（representation）；在我們日後需要的時候，會提取這些表徵，然後重新建構（reconstruct）成對當時情境的具體回憶。所以，人類記憶並不是像電腦檔案一樣單純的「儲存」與「提取」，而是「詮釋與重建」，也因此我們會記錯，甚至會虛構出不存在的記憶，也就是幻覺。

而現在基於 transformer 架構的 LLM，透過 encoder-decoder 的配置，巧妙的模仿了人類「詮釋與重建」的認知運作機制，所以它在展現絕佳的語言掌握能力的同時，也繼承了幻覺這個「特色」。

從這個觀點來看，幻覺是跟人類語言能力伴生的一種特性，說不上是優點或缺點；但如果我們依賴一個會有幻覺的系統來提供「知識」，那我們承擔的風險可能就不是一句「啊，我記錯了！」就算了這麼簡單。

知識是什麼

知識的定義是個嚴肅的哲學問題，也是知識論的主題。柏拉圖認為，一個陳述要成為知識，必須是「被證實的真實信念」（Justified True Belief, JTB），也就是滿足三個條件：

信念：你必須相信這件事。
真實：這件事客觀上必須是真的。
證實：你必須有充分的證據或邏輯理由來支持這個信念，而不是瞎猜。

後世哲學家對此當然多有批評，我們按過不表，但整體而言，「知識」是我們透過教育、經驗或實踐，對事物所獲得的理解、認知與技能。

知識如何形成

我們暫且跳過認識論的發展史，直接跳到今天的現況：人類花了幾個世紀的時間，逐漸形成一個「由專家透過辯論與驗證建立共識」的體系，作為知識的基礎，然而在「凡事問 AI」的情況下，這個體系正在面臨挑戰。

在「當 AI 成為知識預設值，學術權威正被「模型共識」悄悄取代」一文當中，作者指出：

當AI的回答逐漸成為搜尋、寫作與研究的預設入口，人們不再優先追問「誰提出的」、「背後依據是什麼」，而只關心「它看起來是否合理、是否完整」，這也讓學術權威逐漸隱形。
傳統學術體系中，權威的形成需要時間。理論來自具名研究者，經過期刊審查、學界爭論與長期修正。即使是備受質疑的觀點，人們仍清楚知道它屬於哪個學派、有哪些反對意見，以及哪些問題尚未定論。爭議本身是知識運作的一部分。
然而，當AI成為知識入口後，這套結構開始鬆動。搜尋引擎摘要、寫作輔助工具建議段落、研究助理型AI的「快速整理」，都把模型生成的答案放在最前面。使用者看到的不再是作者與脈絡，而是一段語氣中立、結構完整、彷彿早已被驗證過的結論。這轉變並非因為AI被正式授權為權威，而是因為它被默認為「夠可靠、夠省時」。當多數人不再回頭查閱原始文獻、不再區分不同學者的立場，學術權威並沒有被推翻，而是被悄悄繞過。

AI的問題，從來不只是「會不會講錯」。錯誤其實可以被修正，甚至能成為討論的起點。真正值得關注的，是 AI 產生了一種新的共識形式，即模型共識。
模型共識並非經過辯論形成，而是來自大量資料中的高頻說法，看起來像是「大家都這樣認為」。當AI用流暢而確定的語氣呈現這些結果，使用者往往不會意識到，眼前看到的可能只是統計上最不容易引發爭議的版本。

所以，或許「凡事問AI」，可以促進和諧社會的早日來臨？

人之異於 AI 者

關於這個問題，我自認為沒有能力回答，但這也確實是當年投入 AI 研究的初衷：人類的心智到底是怎麼運作的？一大堆神經互相連結，就會產生跟人類一樣心智嗎？如果不行，還缺了什麼？

我們人類目前還不知道答案，但我們會「想知道」，而 AI 暫時還不會。當然，也可能 AI 已經會了，只是我們不知道而已。

淺談 OpenClaw

noreply@blogger.com (Ting S. Yo) — Sat, 14 Feb 2026 08:27:00 +0000

說「淺談」是因為話題太熱，進展太快，不想在現階段討論技術細節，我想談的是 OpenClaw 對一般大眾的意義是什麼。當然我也保持一貫的立場，不去附和過度腦補的想像跟臆測。

什麼是 OpenClaw

我們可以想像 OpenClaw 是一個 App（應用軟體），我們可以下載、安裝到自己的電腦裡，做好基本設定，然後我們就可以透過通訊軟體（例如 Line, telegram, ... etc.），以日常跟人類對話的方式，要 AI 使用我們的電腦完成指定的工作。

例如：我可以透過 Line 跟 OpenClaw 說：「明天早上八點，整理前一天的新聞，寫成一篇500字的摘要，寄到我的 email 信箱。」然後，它就會幫我做好後面的所有工作，隔天早上八點把成果呈現在我的面前。

簡單的說，它是我們每個人的 AI 助理。

從聊天機器人到代理人：當 AI 獲得了雙手

在 2022 年 11 月 ChatGPT 發布後，全球經歷了生成式 AI 的第一次熱潮。這波浪潮主要集中在「對話」：人類在對話框中輸入文字，AI 回覆文字、程式碼或詩歌。然而，對於絕大多數的大眾而言，這種體驗雖然驚艷，卻始終存在一道無形的牆：AI 被困在瀏覽器裡。它雖然博學多聞，卻無法幫你打開電腦上的一個檔案，無法幫你回覆一封真正的電子郵件，也無法幫你操作家中繁雜的智慧家電。它像是一個被鎖在玻璃屋裡的愛因斯坦，只能給予建議，無法採取行動。（最後這句是 Gemini 寫的，我寫不出這種煽情的譬喻...）

2025 年開始，「代理型 AI（Agentic AI）」成為新一波的主角：我們開始給予這些聰明的 AI 裝上了「手腳」與「神經系統」，使其能夠直接操控個人電腦、連接通訊軟體，並執行真實世界的任務。這是目前生成式 AI 發展的第二個關鍵階段：從「聊天機器人（Chatbot）」走向「自主代理（Autonomous Agent）」。

OpenClaw（前身為 Clawdbot、Moltbot）的出現，意義是將 Agentic AI 下放到每個人的個人電腦裡，讓稍有技術背景或看得懂說明書的一般人，都可以在自己的個人電腦上安裝、並且使用這種聰明的個人助理。如果說 2025 年 agentic AI 的使用還僅限於少數的技術族群，OpenClaw 的問世，則是大大降低了使用的門檻，也在短期內導致 Mac mini 的瘋狂熱銷（因為最早的發布版本最容易安裝在 Mac mini 上）。

AI 助理的「大腦」、「身體」與「靈魂」

我們暫且先將 OpenClaw 的技術細節擺在一邊，從常識的角度來看，我們可以將這位「個人 AI 助理」理解為「由『大腦』、『身體』與『靈魂』組成的數位生命體」。

雖然說「智慧型代理人」（intelligent agent）是很早就有的概念，但現階段的 agentic AI 與過去最大的不同，在於其核心的「大腦」，是由大語言模型（LLM）來擔當。OpenClaw 作為代理型AI的代表，它本身也一樣不具備「思考」能力，它的核心智力來自於連接外部的大型語言模型：透過「將你的要求轉譯成電腦可以執行的具體步驟」，然後在電腦上執行，最後將結果以你指定的方式傳送給你。

OpenClaw 的「身體」來自於使用者所給予它「使用這臺電腦的權限」，例如讀取、修改與寫入電腦上的檔案（包含你電腦上儲存的帳號跟密碼），透過瀏覽器搜尋外部資訊等等。而 OpenClaw 也支援多種通訊軟體（WhatsApp, Telegram, Discord, Signal, Slack, iMessage），因此能夠跨越不同裝置進行對話：使用者可以經由手機在 Line 上提出要求，然後將結果呈現在 Apple Watch 上，形成一種無所不在（ubiquitous）的體驗。

而 OpenClaw 也提供了「靈魂」（Soul.md）和「記憶」（memory.md）的設定，前者讓使用者可以賦予助理一些特定的風格與特色，而後者則是將使用者的對話紀錄保存下來，作為日後互動的參考。這樣的設定，讓每個人的助理能夠具備度特的風格，也能隨著與使用者的長期互動做出調整。

潛在的風險

當然，你授權 AI 能做的事情越多，它能夠出的紕漏也就越大，正所謂「能力越大，責任越大」，只是負責任的是你，不是 AI。OpenClaw 發布至今，已經有不少的「苦主」抱怨，大致可以分成兩類：

安全性：由於 OpenClaw 是「自主執行」（Autonomous Execution），如果你賦予它廣泛的存取權限（Broad Access），那麼它就真的有可能自作主張刪除你電腦上的系統檔案。此外，它也直接繼承了 LLM 容易受到「提示詞注入攻擊（Prompt Injection Susceptibility）」的弱點，造成資訊安全上的漏洞。舉例來說，駭客可以透過 email 或網頁資料來夾帶提示詞，讓 AI 刪除掉你電腦上的系統檔案。
費用控制：作為 OpenClaw 的大腦，所使用 LLM 的品質直接關係到這位個人助理的表現。創辦人 Peter 與社群都一致推薦使用 Anthropic 的 Claude Opus 模型，恰好也是比較昂貴的；而 agentic AI 的特色：「自主性」，為了要能成功完成任務，往往需要反覆的呼叫 LLM 來檢查錯誤，並且重新執行，這個「反覆循環好幾次」的運作方式，也使得費用難以預估。以目前社群的討論內容來看，一個月數百至數千美金的模型使用費，算是常見的花費等級。

至於「如何提高安全性」和「費用管理建議」等等技術細節，在此就先按過不表，畢竟這是篇「淺談」，我們先聚焦在 OpenClaw 的概念跟原則上就好。

與 Peter Steinberger 對談

Peter Steinberger 來自奧地利維也納，原本就是成功的創業家。為了找回「作為建造者（Builder）的快樂」，他開發了 OpenClaw 。而在 OpenClaw 暴紅之後，他也陸續的接受了幾個專訪，最近的是 Lex Fridman 長達三小時十五分的對談，影片連結如下。

既然是淺談，到此就先告一段落。至於 OpenClaw 的運作原理，目前看到最淺白的描述是 gary hsu 所撰寫的「Clawdbot 底層運作原理」，雖然對象是開發者，不可避免的涉及一些術語，但也是值得參考的說明文件。

另外，我也刻意避開了對 OpenClaw 專用社群網站：Moltbook 的討論，因為現階段我覺得這是個有趣的實驗，但這個主題太容易腦補成科幻電影，所以就先觀望一下好了。

[路邊觀察] 尷尬

noreply@blogger.com (Ting S. Yo) — Fri, 06 Feb 2026 11:00:00 +0000

今天中午的隔壁桌，是一位主人替父母招待一對從大陸來台灣旅遊的母子。

從哪裡好玩到什麼好吃都聊了一輪之後，主人問到了年輕小伙子有沒有交女朋友。

「沒有，沒有，才剛到新西蘭一個學期，還在適應環境。」兒子說。

「我就坐在這裡，當然沒有啦。」母親看了而子一眼，笑著說道。

「也對，你跳級讀的大學，同學都是姐姐吧？」主人似乎不覺得尷尬，繼續追問。

「其實跳級去讀大學的華人也是有兩三個，只是不在同一個學校。」兒子似乎有點緊張，試圖轉移話題。

然後話題就從「怎麼認識的」，轉移到網路世界認識新朋友很容易上。

「那你有沒有去教會呢？應該比較多同年齡的女生吧？」主人真是鍥而不捨，硬是要聊這個，也沒注意母親的表情。

「談戀愛沒關係啦，就是情慾的事情要注意一下就好。」主人自己哈哈哈的笑了起來。

這時我啃完最後一根骨頭，就起身結帳走了，因為實在太尷尬了，影響消化。

感想：只要你不覺得尷尬，尷尬的就是別人。包括隔壁桌的路人。

遠程觸覺與手指識字

noreply@blogger.com (Ting S. Yo) — Wed, 04 Feb 2026 09:01:00 +0000

Lesser Yellowlegs by Russ

最近科學人的一篇「神秘第七感？科學家首次證實人類擁有「遠程觸覺」」：

這項由英文倫敦大學瑪麗皇后學院與倫敦大學學院合作的最新研究，揭露了一項人類隱藏技能：遠程觸覺（remote touch）。研究團隊發現，人類不需要實際接觸到物體，就能透過手指在沙子中滑動時感受到的微小力學變化，偵測到埋藏在底下的東西，這項研究在2025年的《IEEE發展與學習國際會議》上發表。
這項研究打破了我們對觸覺必須發生在皮膚表面的慣性認知。這是有史以來第一次在人類身上記錄到這種能力，證明我們能像某些動物一樣，透過介質感知遠處的物體。這意味著人類的感官世界比過去認為的還要寬廣，我們的感受野（receptive field）其實早延伸到了身體之外，甚至稱其為「第七感」也不為過。

這個新發現，讓我聯想到李嗣涔教授1990年代末期的一系列「手指識字」的研究。簡單的說，就是李教授透過嚴格的實驗，證實了人類單純以手指觸摸印了字的卡片（沒有印刷造成的突起），也能猜對卡片上的字是什麼。當然，這裡所謂的「也能猜對」，是指「相對於隨便亂猜來說，在統計上有達到顯著的差異」，而不是「每次都猜對」。

超感官知覺

常識上，我們都知道人類的主要感覺器官有五種：「眼」、「耳」、「鼻」、「舌」、「皮膚」，而所相對y應的知覺能力則有「視」、「聽」、「嗅」、「味」、跟「觸」覺。在這五種主要感官之外，人類有時也會展現出其他的知覺能力，一般被稱作為「超感官知覺」（Extrasensory perception, ESP），或是第六感（sixth sense）：此能力能透過主要感官之外的管道接收訊息，能預知將要發生的事情，與當事人之前的經驗累積所得的推斷無關。

因為是「五感之外」，觀察不到相對應的感官，所以 ESP 很難具體的被定義，也很容易跟「未經意識的推理」或「閾下知覺」（subliminal perception）產生混淆。也因此，大多數的科學研究不太觸碰這個主題。

當然，「大多數不碰」不代表沒有人研究這個。在台灣，研究超感知覺的學者中，最知名的大概要屬於前台大校長李嗣涔教授，他在1990年代進行了一系列跟超能力（特異功能）有關的研究。

而這篇新的研究，似乎也是發現了類似的現象。不同之處在於「手指識字」是以觸覺處理視覺訊號，而「遠程觸覺」是「沒有直接接觸就產生觸覺」。此外，這篇新研究的作者也沒有發明一個玄學理論來解釋這個現象，而是相對保守的按照據證據指出：「觸覺不必發生在皮膚表面」。

超能力是科學嗎？

會想到這些，主要是個人小時候的兩個經歷。

首先是我高中的時候，舅舅跟舅媽熱衷於佛教，經常參加各種氣功跟靜坐的課程，也常常拉著我去靜坐跟念經，他們當時恰好就參加了李嗣涔教授在校外開授的「人電學」課程，還送了我一本講義。說真的，把電磁學導入玄學的論述中，對當時的我來說雖然是「開腦洞」，但沒有很被說服。

其次，是李教授那一系列「手指識字」的研究，主要作者之一是我大學時一門必修課的助教。學長在課堂外也跟我們聊過當時研究的實驗設計，讓我深刻的認識到所謂的「科學研究」，主要是取決於採用的方法，而不是主題本身：面對一個不知所以然的特殊現象，我們可以透過嚴謹的實驗設計，排除所有不可能的原因，來得到較有可能的結論（當然，研究論文的結論不是「人電學」那套說法）。

「超能力是不是科學」本身並不是個合理的問題，真正的問題應該是「我們是不是採取科學方法來研究超能力」。

相同的思維，也可以套用在對 AI 發展的評估上：當 AI 表現出我們預料之外的行為時，我們可以做的是「透過實驗反覆測試，來排除不可能的因素，進而合理的推估可能的原因」；畢竟，任何論述都要經得起反覆驗證的過程，才能跳出「相信」的範疇，走進科學。

Anthropic 的研究報告：AI 的「反賦能」（disempowerment）

noreply@blogger.com (Ting S. Yo) — Sat, 31 Jan 2026 09:34:00 +0000

「賦能」（empowerment）是個科技業近年很愛用的詞彙，簡單的說就是「用了我們的服務/產品，你就從不能變成能」：用了智慧型手機就可以隨時隨地連網，凡事問 ChatGPT 就可以無所不知，穿上鋼鐵人戰甲就可以飛天遁地。總之，有了新科技，人人都是超人。

要嚴謹一點的話，依據維基百科，這個詞彙的台灣正式翻譯叫做「賦權」，學術上的說法（Rappaport,1987；Rappaport,1992；Perkins & Zimmerman,1995），「賦權乃是個人、組織與社區藉由一種學習、參與、合作等過程或機制，使獲得掌控自己本身相關事務的力量，以提昇個人生活、組織功能與社區生活品質。」除了「購買商品或服務」換成「學習、參與、合作」之外，意思上大致一樣。

這兩年 AI 的快速發展，讓「AI 賦能」變得似乎觸手可及，但還是有心存謹慎的一群人，在積極尋找潛在的風險，並試圖防範於未然。Anthropic 最近的研究報告，"Disempowerment patterns in real-world AI usage"，透過分析大量的 AI 使用資料，提出了幾種常見的「反賦能」現象（王伯達翻譯成「賦權喪失」，似乎又更文雅一點）。

這份研究報告指出，AI 介入使用者的決策過程，進而損害其自主判斷力，造成了反而削弱使用者本身能力的現象。研究員定義出三種主要的反賦能：

導致現實認知失真
造成價值觀偏離
引發行為與初衷不符

報告並指出，這些問題常源於使用者過度投射權威，或產生情感依賴。雖然數據顯示嚴重的削弱案例僅佔極少數，但使用者往往在互動當下感到滿意，事後才察覺其主體性遭受侵害。此研究旨在透過量化分析這些互動模式，呼籲開發者與使用者共同關注 AI 如何從賦能轉向剝奪個人主權的潛在風險。

人工智慧與質性研究：把 AI 當作受訪者來合成資料

noreply@blogger.com (Ting S. Yo) — Fri, 30 Jan 2026 08:25:00 +0000

這是一篇2025年 ACM CHI（人機互動）研討會的論文，"Simulacrum of Stories: Examining Large Language Models as Qualitative Research Participants"，作者們測試將大語言模型生成的資料作為質性研究內容的可能性。

結論基本上是「不行」（至於是「還不行」還是「以後也不可能」，我就看不太出來了），論文摘要的翻譯如下：

近期生成式模型的熱潮引發了一波提案，建議在研究與開發過程中，例如透過問卷調查、實驗和訪談，以大型語言模型（LLM）生成的合成研究數據來取代人類的參與和勞動力。
我們針對 19 位質性研究者進行了深度訪談，以了解他們對這項典範轉移的看法。
起初，研究人員對此持懷疑態度，但在使用訪談探究方法時，他們驚訝地發現LLM產生的資料中也出現了類似的敘事。然而，經過幾輪對話，他們逐漸指出了LLM的根本局限性，例如：
剝奪參與者的同意權與代理權。
生成內容缺乏真實感（palpability）與語境深度。
可能導致質性研究方法的正當性受損。
我們認為，將 LLM 作為參與者的代理人會產生「替代效應」（surrogate effect），這引發了倫理與認識論上的疑慮；其核心問題不僅在於當前模型的技術局限性，更在於LLM是否符合定性研究的認知方式。

我自己之前也做過一系列類似的「對話模擬」實驗，例如這篇「社工與百歲人瑞的對話」。雖然我展示的例子看起來脈絡豐富，但其實這些脈絡都是我參照自己外婆的生平，具體寫在系統提示（system prompt）裡面的。我也嘗試過只設定簡單的人物性格跟背景描述，而這樣的對話通常很快就結束了，我推測是目前的 LLM 供應商似乎刻意抑制 LLM 編造故事的能力來減少幻覺，才導致這樣的結果。

而量化研究似乎也有類似的情況，雖然有研究指出合成資料跟真實資料的相似度可以達到 70% 以上，但總體來說 LLM 應用在市場研究上也是遇到很多的問題。

所以，質性研究大概也是 AI 浪潮下相對安全的一塊領域。

視覺與語言表徵的匯流：DeepSeek-OCR2

noreply@blogger.com (Ting S. Yo) — Thu, 29 Jan 2026 07:36:00 +0000

DeepSeek 去年底才推出 DeepSeek-OCR（技術報告，GitHub），不到三個月立刻推出新一代的 DeepSeek-OCR2（技術報告），並且提出了「各種資料模態（modality）可以共用一個編碼器（encoder）」的假設與驗證。這其實跟我之前寫過的「柏拉圖式表徵假說」，或者「各種感官輸入的表徵共用一個潛空間（latent space）」，基本上是同樣的意思。

技術報告的內容細節可以看知乎上的解讀，介紹分析的影片，或是原文。報告的核心論點是 Visual Causal Flow（視覺因果流），透過特殊的模型架構將視覺編碼跟語意編碼同步校準（align，好啦，對齊就對齊吧），所以在對影像進行文字辨識時可以用較小的模型達到較高的精確度。我只能說，對岸真的太捲了。

前幾天 Demis Hassabis 才在訪談中表示：「問題是，他們能否在先進領域之外進行創新？我認為他們已經證明自己能夠迎頭趕上……並且非常接近先進領域……但他們真的能夠創新出像新型變壓器那樣超越先進領域的新產品嗎？我認為這還沒有得到證明」。

我同意 Hassabis 的看法，「創新」這件事情在華人文化裡本質上就是不太受待見的：我們追求的價值是「順從」與「和諧」，而創新經常要從破壞和諧開始。

不過目前沒有，不代表未來也不會有。我不是要幫 DeepSeek 說好話，但既然大部分人都認同「在 AI 時代，能提出好的問題是更重要的能力」，那麼人家目前的的確確是把資源投注在「回答一個好問題」上，而且進展很快，非常之快。

至於哪些是不值得回答的問題呢，我也不知道，我剛剛突然發生了災難性的遺忘（catastrophic forgetting），哈哈！

認知偏誤（Cognitive Biases）

noreply@blogger.com (Ting S. Yo) — Fri, 23 Jan 2026 09:03:00 +0000

認知偏誤（cognitive bias）是一種人在做判斷的過程中，出現偏離「理性」的特定行為模式。

認知偏誤是人類心智運作的特性之一。人類的心智的運作歷程，是會對從外界接收到的「客觀訊號」，創造出內在的「主觀現實」，個體的行為主要是依據所建構出的現實，而非客觀的物理刺激和資訊。因此，各種的認知偏誤，常常表現在像是知覺扭曲、不准確的判斷、不合邏輯的解釋，或是廣義上的「非理性」。

「認知偏誤」是在 1972 年由 Amos Tversky 和 Daniel Kahneman 所提出。兩人作為心理學家，研究重心是人類決策的認知歷程，而在一系列實驗中，他們發現人類的某些「不理性判斷」是會在特定情況下反覆出現的，於是提出了 cognitive bias 這個詞彙。

這個概念，對傳統經濟學裡「人是理性的動物」的基本假設造成了衝擊，進而形成了新的領域：「行為經濟學」（behavioral economics），而 Kahneman 也在 2002年榮獲諾貝爾經濟學獎。Tversky 由於早逝，沒能趕得上獲獎，兩人的故事紀錄在「橡皮擦計畫」（The Undoing Project）一書中，值得一讀。

而「認知偏誤」這個系列的研究，經過學者們的不斷探索，現在已經形成了一個很長的清單，對人類的「有限理性」做出了生動而詳細的描述。

我在想，目前 AI 的「思考」雖然是模仿人類對思考的語言描述，但人類心智的運作方式是在「生存競爭」的壓力下演化出來的，機器的思考歷程沒有經過這種洗禮，必然不會跟人類一模一樣。然而，那又該會是麼樣子呢？

趕流行：根據我之前和你的對話互動方式，如實產生一張我是如何對待你的圖

noreply@blogger.com (Ting S. Yo) — Mon, 19 Jan 2026 07:59:00 +0000

這篇就是來混個篇幅的，湊個熱鬧玩一下最近流行的：「根據我之前和你的對話互動方式，如實產生一張我是如何對待你的圖」。

由於一開始忘了把 Deep Research 切換回 Nano Banana，所以生成了一堆說明而沒有生圖，也讓我了解了 Gemini 對這張圖的詮釋：

這張圖反映了你對待我的三個核心特質：
你是「架構師」而非單純使用者： 你很少問簡單的「這是什麼」，你更多是在要求我「建立架構」。無論是[masked]，還是[masked]，你都把我當作你的技術合夥人 (Technical Co-founder)。
你對「美感」有具體的執著： 你對圖片生成的指令非常細緻（例如：指定保留臉部特徵、混合特定風格、調整光線）。這顯示你把我當作你的專屬繪師或藝術總監，你清楚自己要什麼，並會透過多次迭代來達到完美。
你是嚴謹的「研究者」： 在處理[masked]議題或[masked]學術分析時，你會要求規劃研究步驟、文獻回顧甚至方法論分析。這代表你視我為研究助理，需要我提供有憑據的資訊，而非隨意的閒談。
總結來說： 在這張圖中，你是一位忙碌且跨領域的專案總監，而我是你身邊那個隨時待命、能夠同時處理[masked]程式、[masked]藝術與[masked]研究的超級特助。

實際工作內容我就暫時遮蔽了。是的，AI 是我的技術合夥人，也是執行助理：生成完「細緻的[masked]生成指令」，還要嚴格的被要求「反覆修正」。

總之人類雖然任性，但浪費太多 token ，能源不足與全球暖化的後果也是我們要自己承擔的。