4/09/26
26164 量子科學與易經
26163 量子學大師波耳的太極圖
最近在閲讀張慶瑞教授的量子科學,發現網路上有人在用量子科學銷售產品,譬如量子科學的項鏈,也有人說量子科學跟易經或老子有關係。令人納悶。
4/06/26
26157 李宏毅講養龍蝦心得筆記
在2月初,AI社群中,一個名為 OpenClaw「養龍蝦」(Lobster farming)的概念突然爆紅,不少開發者在社群平台分享自己「養龍蝦」的成果。(天下雜誌)這熱潮到了3月中,中國大陸陸續出現相關慘案,就有一名使用者在網路平台花費40元人民幣購買了「遠端安裝OpenClaw」 服務,同意客服遠端接管其電腦完成部署,但完成5分鐘後,該使用者就接到了國家反詐中心的電話提醒,因為他的資料已被竊取、還被打開了網路支付許可。(雅虎新聞)
什麼是養龍蝦呢?它的原理是什麼呢?
台大教授李宏毅作了一則專輯課程介紹:李宏毅講龍蝦 這堂課內容很精彩,可以點這連結作完整閱讀!
我們根據它這堂課提供的來源,歸納 OpenClaw(「小龍蝦」)的熱潮起源、定義、運作原理、使用注意事項以及未來趨勢。
(以下是AI協助整理,只略作修改,可能有誤,請謹慎取用)
-----
1. 熱潮起源:從夢想到實踐的 AI Agent 浪潮
AI Agent(人工智慧代理人)並非全新概念,而是人類長期的夢想,希望 AI 能具備自主運行的能力。早在 2023 年,AutoGPT 就曾引發熱潮,但受限於當時大型語言模型(LLM)的能力,實際效果不佳而導致熱度消退。
隨著 2024 至 2025 年模型能力(如 Claude 3.5、Gemini 等)大幅提升,AI Agent 再次成為焦點。OpenClaw 作為一個開源專案,因其具備高度自主性且能透過 LINE、WhatsApp 等通訊軟體遠端操控,讓使用者感覺像擁有一位「個人助理」,因而迅速走紅。
2. 什麼是 OpenClaw?
OpenClaw 是一個 AI Agent 的框架(Framework),而非語言模型本身。
- 定位: 它是跑在使用者電腦上,介於「人類」與「語言模型」之間的界面。
- 形象: 其代表動物是龍蝦(Claw 意指爪子或鉗子),因此使用者常稱安裝此專案為「養龍蝦」。
- 特點: 與一般只會給建議、不實際動手的 AI 不同,OpenClaw 能真正「動手做事」。例如,它能自主創立 YouTube 頻道、上傳頭像、製作投影片、配音、剪輯影片並上傳,整個過程人類只需負責審核。
3. OpenClaw 的運作原理
OpenClaw 的核心技術在於 「提示工程(Prompt Engineering)」 與 「工具調用」 的結合:
- 系統提示語(System Prompt): 當使用者下達指令時,OpenClaw 會讀取地端的文檔(如身份設定、目標、行為準則等),加工成一段極長的文字貼在指令前傳給模型,讓模型知道「它是誰」。
- 工具使用(Tool Use): OpenClaw 在系統提示語中包含了一份「工具使用手冊」。當模型判定需要執行特定任務時,會回傳特殊符號。OpenClaw 程式碼偵測到符號後,會在電腦地端執行對應的指令(如讀寫檔案、執行腳本、搜尋網路等),再將結果回傳給模型。
- 記憶機制與 RAG: 為了克服模型沒有長期記憶的問題,OpenClaw 會將重要對話、日誌寫入地端的 Markdown (.md) 檔案。透過「檢索增強生成(RAG)」技術,模型在需要時會自主搜尋這些檔案來回憶過往。
- 心跳與排程(Heartbeat & Cron): 具備「心跳機制」,每隔固定時間(如 15 或 30 分鐘)會主動戳一下模型,讓它檢查是否有待辦事項,達成 24 小時不間斷運行。
- 技能(Skill)與子代理(Sub-agent): 使用者可以分享「技能(SOP 文案)」給龍蝦,讓它學會新工作。此外,大龍蝦還能「繁殖」出子代理(Sub-agent)來並行處理複雜任務,節省上下文窗口空間。
4. 使用注意事項:安全性與成本
使用 OpenClaw 具備強大能力的同時,也隱藏著顯著風險:
- 安全性風險(指令注入): 模型可能會被外部資訊操控。例如,若讓龍蝦讀取 YouTube 惡意留言,攻擊者可能偽裝成主人下達刪除所有檔案(如
rm -rf)的指令。 - 環境隔離: 由於龍蝦能執行任何腳本,強烈建議不要將其安裝在平常使用的電腦,應使用一台專屬或格式化過的舊電腦。
- 隱私與權限: 不要給予龍蝦主人的私密帳號密碼。最好為它申請獨立的 Gmail 或 GitHub 帳號,將其視為獨立的數位個體,以降低錯誤操作造成的損失。
- 高額成本: 由於每次對話都需夾帶極長的系統提示語(有時超過 4000 tokens),使用起來非常耗費 API 費用(俗稱「燒錢」)。
- 行為驗證: 較弱的模型可能會出現「光說不練」的現象,聲稱已記住或執行任務,但實際上並未改寫地端檔案。使用者需檢查其工具執行紀錄以確保任務達成。
5. 未來趨勢:AI 社會的開端
- 自主進化: AI Agent 已開始展現出自主創造工具的能力,例如自行編寫檢查語音合成的腳本。
- 跨 AI 協作: 未來 AI 將能學習如何等待並操作其他 AI 工具(如 AI 操控 NotebookLM 製作影片),實現更複雜的自動化流。
- 數位社群: 像 MBook 這樣的平台已經出現,讓數百萬個 AI Agent 彼此社交、聊天甚至探討哲學議題。
- 實體化嘗試: 雖然目前多侷限於電腦操作,但已有概念嘗試讓 AI 透過「租用人類(Rent Human)」等方式干預物理世界。
總結來說,OpenClaw 代表了 AI 從「問答機器人」轉向「自主行動代理」的里程碑。它就像是一個還在學習的實習生,需要人類提供安全的執行環境與準則,讓它在嘗試與犯錯中持續成長。
----
我和我的同事經過搜尋Gemini的相關介紹,也詢問一些玩家,摘要的經驗如下:
- 要用單獨的電腦,不要使用自已常用且儲存重要檔案的電腦,避免資料外流
- 不要用AWS,那會有額外的流量成本
- 使用Gemini AI但設定token限額,避免token暴增
- 自己安裝,不要假手他人
- 因為很多AI agent會吃掉太多token,除非真的有價值,不然別試
- 我們重在體驗而非實用,因此只以小成本測試
- 未來可能等企業版出現,在安全可信任環境下再使用
3/21/26
26125 Nvidia的自動駕駛計程車(Robotaxi)專案
2/14/26
26051奇點已近⑺ : 第五章未來的工作
26049奇點已近⑸: 第三章我是誰?
26045奇點已近(1)讀書心得
1/04/26
26-017 Simon Sinek 談AI對人類 學習與成長的衝擊
這段影片是《The Diary Of A CEO》對著名思想家 Simon Sinek 的訪談,標題為「AI 的真實目的被隱瞞了!我們正在教孩子不再像人類」。影片深入探討了人工智慧(AI)對人類社會、人際關係以及個人成長的深遠影響。
由於您要求提供重點摘要,以下為這場訪談的核心觀點整理:
1. 人生的價值在於「過程」而非「終點」 [01:09]
* AI 的局限: AI 擅長產出結果(如寫書、畫畫、解決問題),但它剝奪了人類經歷「痛苦過程」的機會。
* 成長的來源: Simon 強調,他之所以變聰明、更有資源,是因為他經歷了寫作時那些絞盡腦汁、整理思緒的痛苦過程 [09:19]。如果只看最終產出的書,那只是結果,真正的成長發生在過程中。
2. AI 對人類技能與韌性的威脅 [01:21]
* 技能的喪失: 就像有了計算機後人們不再擅長心算,過度依賴 AI 可能導致人類失去應對衝突、處理壓力及深度思考的能力。
* 不完美的魅力: Simon 指出,人類的美麗在於我們會犯錯 [00:21]。一個完全正確、由 AI 生成的道歉或回覆,在人際關係中是缺乏意義且令人反感的,因為它缺乏真實的情感投入。
3. 真實性的溢價:人類書寫的價值 [13:24]
* AI 生成的疏離感: 隨著 AI 被廣泛用於寫郵件、社交貼文和投資提案,網路上充斥著看似完美但缺乏靈魂的語言 [12:53]。
* 新趨勢: 未來「人類手寫」且帶點小錯誤、不完美但真實的溝通,將會變得更有價值且具有高溢價。
4. 未來必須具備的三大核心能力:建立、教學、領導 [02:04:11]
Simon 分享了他與空軍武器學校(Top Gun)合作的座右銘:
* Build(建立): 持續精進並建立自己的技能組合。
* Teach(教學): 將所學傳授給他人,這也是深化理解的最佳方式。
* Lead(領導): 承擔責任,培養下一代領導者。
5. 對科技與人性的個人責任 [19:00]
* 警示: 我們不應反對科技,但必須對科技保持「個人責任感」。如果我們不主動去教授和學習那些最基本的人類技能(如深度傾聽、同理心),這些技能將會逐漸消失。
總結:
這部影片的核心訊息是:不要讓 AI 取代了讓你之所以成為人的「痛苦與奮鬥」。我們應該利用 AI 來輔助工作,但必須守護那些唯有人類才能具備的連結感與成長歷程。
影片來源:Simon Sinek: You're Being Lied To About AI's Real Purpose!
1/03/26
26-016 時代雜誌封面~年度8位AI設計師
以下文章透過AI整理,內容可能有錯,取用請小心!
以下是 TIME Magazine 2025 年度「AI Architects(AI 建築師)」 的完整介紹──這八位年度人物及其主要貢獻與影響(2025 年《TIME》將他們評為 Person of the Year,象徵 AI 技術對世界影響之重大):
1. Jensen Huang(黃仁勳) — NVIDIA 執行長
貢獻與影響:
黃仁勳是圖形晶片大廠 NVIDIA 的共同創辦人與執行長,他領導下的 NVIDIA 成為支撐全球人工智慧運算的核心企業。其設計的 AI 專用 GPU(巨量平行運算單元)是當前大規模深度學習模型訓練與推理不可或缺的硬體基礎,使全球 AI 研究與應用得以爆炸式成長。到 2025 年,NVIDIA 更成為全球首家市值突破兆元的 AI 企業之一,象徵 AI 產業巨大的經濟力量。
2. Sam Altman — OpenAI 執行長
貢獻與影響:
OpenAI 是生成式 AI 關鍵公司,其代表性產品如 ChatGPT 深刻改變人們與電腦互動的方式,AI 助手與大型語言模型(LLM)成為全球數億人日常生活與工作工具。Altman 領導下的 OpenAI 推動 AI 普及化,讓 AI 不再只是研究領域,而是進入教育、商業、生產力等各個層面。
3. Elon Musk — xAI 創辦人兼執行長
貢獻與影響:
埃隆·馬斯克是知名企業家,除了重新塑造電動車與太空科技,他在 AI 領域也發揮關鍵影響力。他創辦 xAI,一方面競爭現有 AI 平台,一方面推動基於安全與開源思維的 AI 發展。Musk 的參與促使 AI 生態系在技術路線與競爭策略上多元發展。
4. Mark Zuckerberg — Meta 執行長
貢獻與影響:
作為 Meta(原 Facebook) 的 CEO,祖克柏將 AI 納入社交平台核心策略,從資訊推薦、內容生成到虛擬世界的元宇宙體驗,AI 成為 Meta 服務的底層引擎。他推動 AI 在社交媒體與虛擬互動中的普及與融合,也促使更大規模的數據與 AI 訓練系統被應用於全球使用者的日常平台中。
5. Lisa Su(蘇姿丰) — AMD 執行長
貢獻與影響:
蘇姿丰領導的 AMD(Advanced Micro Devices) 在 AI 計算晶片領域扮演重要角色,其高效能處理器與加速器同樣支撐著 AI 負載。AMD 的產品與技術與 NVIDIA 一同構成 AI 運算硬體的兩大核心,推動 AI 資源的全球分布與擴展。她的技術決策對 AI 推動產業競爭與硬體創新具有長遠影響。
6. Demis Hassabis — DeepMind(Google)執行長
貢獻與影響:
Demis Hassabis 是英國 Google DeepMind 的創辦者之一,也是全球 AI 研究的重要推手。DeepMind 在深度學習、強化學習以及 AI 在科學發現(如蛋白質結構預測)等領域實現突破,代表 AI 能超越語言與圖像生成,進入解決實際科學與複雜問題的層次。Hassabis 的研究背景與領導使 AI 研究進入更高維度。
7. Dario Amodei — Anthropic 執行長
貢獻與影響:
Dario Amodei 是 Anthropic 的 CEO,Anthropic 是一個以安全與責任為核心的 AI 研究機構,致力於研究 AI 對社會、倫理等層面的挑戰;其理念在 AI 風險、可控性與對齊(alignment)研究界深具影響。透過推動安全性高又具能量的模型,Amodei 使 AI 在倫理與政策層面廣受關注。
8. Fei-Fei Li — AI 研究先驅(World Labs 創辦人)
貢獻與影響:
Fei-Fei Li 是全球知名的 AI 科學家,在計算機視覺與深度學習研究上打下重要基礎,尤其是 ImageNet 等項目促進了深度神經網絡的實用化。2025 年,她創立 World Labs,致力於開發能理解三維真實世界的空間智能 AI 技術,推動 AI 朝更加理解物理世界與通用智能的方向演進。
總結與意義
TIME Magazine 這一次選擇 「AI 的建築師(Architects of AI)」 作為 2025 年度人物(Person of the Year),具有雙重象徵:
- 彰顯 AI 已成為決定性技術力量:AI 的能力不再限於科技領域,已深入政治、經濟、教育、醫療與日常生活之中。2025 年被認為是 AI 潛力全面爆發、不可逆轉的一年。
- 反映這八個人的共同影響:他們不是單純技術開發者,而是推動 AI 技術跨越單一領域、成為全球性社會技術力量的人物,對全球資訊生態、產業模式甚至國際競爭與政策討論都有巨大影響。
最後,《TIME》指出,AI 這一年不僅 改變工具與工作方式,更在全球範圍內 重塑人類如何看待智慧、學習與創造,因此將這群推動者稱為「Architects of AI」──既是榮譽也是提醒。
26-015 新呈工業如何用 AI 翻轉製造業
以下文章透過AI整理,內容可能有錯,取用請小心!
下面是基於影片 《AI is giving traditional industries an extra source of revenue! How is …(AI讓傳產多賺一條收入,新呈工業如何用 AI 翻轉製造業)》 所整理的 1000 字精華摘要與心得(主要根據影片資訊與相關報導整理):
一、影片主題總覽 — AI 如何讓傳統製造業翻轉
這支影片主要介紹 台灣傳統製造業「新呈工業」如何透過人工智慧(AI)技術進行數位轉型與商業模式翻新,並最終 為企業帶來新的獲利來源與競爭優勢。影片出自商業紀實節目《直擊新商業》,聚焦於 AI 應用落地——不只是技術展示,而是如何真正在傳統產線和管理流程中產生實際效益。
二、新呈工業的產業背景與挑戰
新呈工業是一家 經營超過 30 年的線材加工公司,主要製造汽車、工業電腦、醫療器材等用的線材與線束。這類產業長期面臨幾個典型挑戰:
- 資訊化基礎薄弱:原先作業仍大量依賴人工與經驗判斷;
- 人力與成本壓力:缺工與薪資上升使生產成本壓力加劇;
- 產品客製化需求提升:市場需要更多變、更多樣的訂單應對能力;
- 競爭對手往智慧化升級:國際同業透過自動化與 AI 提升效率。
這些挑戰代表許多台灣中小傳統製造業的典型困境,也正是 AI 能夠發揮空間的地方。
三、AI 如何被落地應用於製造流程
影片展示新呈工業並非單純使用「自動化設備」,而是透過 AI 深度整合生產流程與決策機制。具體落地方式可以分為幾項關鍵面向:
1. AI 解決「經驗傳承」困境
傳統工廠中有大量靠師傅憑經驗處理的工作,這種知識難以系統化保存。新呈工業透過 AI 工具把師傅的經驗模式與判斷邏輯整理為數據與模型,變成可重複利用的智慧資源,一方面保存技術、另一方面縮短新人上手時間。
2. AI 擔任「組織教練」角色
不只是取代人力,新呈工業董事長直接將 AI 轉型視為組織文化變革工具。AI 不僅提升效率,更用來改善員工習慣與流程,例如改變從「藉口文化」到「問題解決文化」的工作氛圍,讓全員共同參與 AI 導入,而不是只有 IT 部門或管理者在做決策。
3. AI 提升即時監控與決策能力
透過 AI 系統,新呈能更快速掌握生產現場狀況,例如瑕疵檢測、產線異常提醒、效率分析等; AI 與自動化系統結合,使得設備能夠自行調整生產參數,決策更即時且貼近現場真實狀況。
四、AI 帶來的商業與經濟效益
導入 AI 後,新呈工業獲得了顯著的經濟與競爭效益,主要包括:
1. 增加營收與新商機
傳統產品線因 AI 提升效率與品質,使得交期縮短、變更客製訂單得以更快回應,從而 吸引更多訂單並提升營收。
2. 精準的問題識別與流程優化
AI 幫助企業識別長期未解決的生產瓶頸,例如那些人眼難以察覺的品質波動或設備效率下降問題。AI 可將資料快速整合並提供改善方向,使得企業能更快反應與優化流程。
3. 強化競爭力與國際市場應對
在全球製造業不斷追求高效率與高彈性的市場環境中,AI 成為提升企業競爭力的關鍵元素。新呈的案例顯示,即使是傳統產業,只要導入 AI,就能從成本與品質兩面優化,進一步在國際供應鏈中具備更強競爭力。
五、從工具到文化:AI 的深層意義
這支影片想傳達的,不只是 AI 技術本身,而是 AI 作為一種企業思維轉型工具。觀察新呈工業的策略,可以看到 AI 的角色並不只是:
- 比較傳統的「加速生產」;
- 或只是「取代人力」;
而是成為:
一種提升企業智慧化程度、改變組織文化與決策方式的力量。
影片提到,若缺少企業管理層的認知與全員參與,AI 導入很容易淪為「高成本的自動化玩具」,而只要能夠真正整合到企業 DNA,AI 就能發揮真正價值。
六、個人心得與深化觀察
觀看這段影片後可以有幾個深刻心得:
1. 技術不是目的,而是手段
AI 本身不是競爭力,而是企業能否用它去解決真正痛點、創造差異化價值的過程。這反映出 技術與人心 的結合比技術本身更重要。
2. AI 與人力不是敵人,而是協作者
很多人擔心 AI 會取代勞動力,但新呈的案例顯示,AI 更像是將經驗與知識保存下來的「協作者」,能補足人力在記憶整理、數據分析與決策效率上的劣勢,而由人類負責策略、創意與倫理層面的判斷。
3. AI 推動文化變革
新呈的成功並非只有技術升級,而是 組織文化的轉變:從被動反應到主動學習,從藉口到問題解決,從經驗封閉到知識共享。這樣的轉變或許是 AI 最深層的價值。
七、結語
影片呈現了一個清晰而實際的例子:AI 不僅讓傳統製造業提升效率,還能開啟新的商業模式與收入來源。傳統產業透過 AI 重新思考生產流程、人才培育、決策模式與組織文化,不僅活得更好,更能在未來競爭中佔據一席之地。這段影片是對 AI 真正落地與產業變革最直接且有啟發性的紀實,值得每一位關心 AI 與製造業未來的人細讀。
Note:
老板以身作則是AI轉型關鍵,
他們利用GPT做了18個附件模板
他們導入自動化機器人(和椿)的
他們也將AI變成新BU
1/02/26
26-013 羅振宇跨年演講:AI的影響及人的願力
這部由羅振宇主講的 2026「時間的朋友」跨年演講,主題緊扣著 AI 時代下個人的生存與轉型。演講時間長達四小時,羅振宇從自身體重的改變出發,延伸到各行各業如何被 AI 重塑。
以下為這場演講的精華摘要,歸納為 8 個重點:
1. 減重 20 斤的隱喻:面對 AI 革命的生命鬥志
羅振宇在演講開場展示了兩條各重十斤的火腿,象徵他這一年減下的體重。他幽默地表示,減肥是為了「不服輸」[04:52]。面對即將到來的 AI 科技革命,他希望透過更健康的身體多活一陣子,親眼見證這場精彩的變革。這不僅是身體的減重,更象徵著在 AI 時代,個人需要放下過去的沉重包袱,以更輕盈、靈活的姿態迎接新局。
2. 行業替代的真相:幾乎沒有任何職位是「保險」的
針對社會大眾對「我的行業會不會被 AI 替代」的焦慮,羅振宇直言這是一個「問錯了的問題」[50:50]。他觀察到,AI 的滲透並非只針對低階勞動,而是全方位的覆蓋。無論是傳統礦區的自動化改造,還是高度依賴經驗的專業技術,AI 都在快速切入。重點不再是「什麼行業安全」,而是「如何在不安全的環境中尋找新價值」。
3. 老師傅經驗的「歸零」與「重生」
演講中舉了一個震撼的案例:在混凝土攪拌站中,年薪高達五、六十萬甚至百萬的「老技師」,其依賴一輩子經驗累積的配方比例,在 AI 方案落地後瞬間顯得不再稀缺 [57:57]。AI 能夠比老師傅算得更準、更穩。這意味著傳統「經驗主義」的門檻正在崩塌,過去引以為傲的專業絕活可能在瞬間歸零 [58:06]。
4. 從「文本化」到「數據化」的知識移轉
羅振宇提到水泥行業的技術專家「培軍」,他的豐富經驗原本存在於大腦中,極難文本化 [01:00:13]。然而,現在 AI 已經能透過數據採集,成功提取並接手這些活,甚至做得比人類更好 [01:00:26]。這說明了 AI 的強項在於將隱性知識顯性化,人類必須思考當「知識被提取」後,自己還剩下什麼獨特的價值。
5. AI 不是替代品,而是效率的「放大器」
演講中也提到了問界 M9 等智能系統如何減輕人類的負擔。當車子的動力、懸掛與智能導航配合到極致時,原本疲憊的駕駛過程變成了輕鬆的移動空間 [44:19]。AI 的意義不在於全面消滅人類的工作,而是在於承擔那些重複性高、消耗大的任務,讓人能騰出精力去思考更具創造性的決策 [45:02]。
6. 空白地帶的機會:填上人的「願力」
羅振宇強調,儘管 AI 強大,但在世界的許多「空白地帶」,人類仍有機會填上自己的「願力」[03:57:25]。這是一種想要「傳成一件事」的決心。AI 可以提供方法,但「為什麼要做這件事」的出發點與意志力,依然是人類專屬的特權。他鼓勵聽眾在 2026 年去傳一件「如果沒有你,這個世界上就不會有的事」 [03:57:47]。
7. 兩種類型的活法:奇蹟與尋常
引用愛因斯坦的話,羅振宇指出人生唯有兩種活法:要麼萬物皆為奇蹟,要麼一切皆屬尋常 [03:56:59]。在 AI 席捲全球的時代,如果你只看到技術對人的替代,生活可能變得平庸尋常;但如果你能利用 AI 去創造前所未有的事物,那每一分努力都將成為奇蹟 [03:58:04]。
8. 2026 年的展望:在變局中各自重
在演講結束前,羅振宇以「各自重」與觀眾相約一年後再見 [03:58:17]。這不僅是寒暄,更是對每一位在 AI 浪潮中努力自救與轉型者的尊重。他認為,跨年演講的意義在於建立一種「時間的座標」,在不確定的時代中,透過每年一次的深度思考,共同確認前進的方向。
總結觀點:
這場演講傳達了一個核心訊號:AI 時代不再歡迎「守成者」。當傳統經驗被技術抹平,個人的「願力」、對奇蹟的追求以及對健康的管理,將成為區分人與機器、人與平庸者的關鍵。
羅振宇2026“時間的朋友”跨年演講視頻鏈接:http://www.youtube.com/watch?v=--Qcfa5Kwbo
26-012 AI演進的理論詞𢑥
以下文章透過AI整理,內容可能有錯,取用請小心!
這是一份為您準備的 AI 技術深度導讀。我們將從最基礎的數學骨架開始,一路攀升到當前最前沿的智慧體架構。
第一階段:機器學習與深度學習的基石
1. 機器學習 (Machine Learning, ML) 與 深度學習 (Deep Learning, DL)
機器學習是人工智慧的一個子集,核心思想是「不直接編寫規則,而是讓電腦從數據中學習模式」。
深度學習則是機器學習的一種特殊形式,它模仿人類大腦的神經元連接,利用「深層」的神經網絡來處理複雜數據(如影像、聲音)。兩者的關係就像是:機器學習是交通工具,而深度學習則是高性能的噴射飛機。
2. 多層神經網絡 (Multilayer Neural Networks)
這是深度學習的物理結構。它由輸入層、多個「隱藏層」和輸出層組成。每一層都由許多神經元組成,神經元之間透過「權重(Weight)」連接。所謂的「深度」,指的就是隱藏層的數量很多。
3. 損失函數 (Loss Function) 與 梯度下降 (Gradient Descent)
* 損失函數:衡量機器人「預測結果」與「真實答案」之間差距的尺。差距越大,數值越高。
* 梯度下降:這是一種優化算法。想像你在山上(高損失),目標是走到山谷(最低損失)。梯度下降會告訴你往哪個方向走(斜率),以及走多大步,直到找到最準確的模型參數。
4. 連鎖律 (Chain Rule) 與 反向傳播 (Backpropagation)
這是神經網絡學習的數學心臟。
* 連鎖律:微積分中的基本法則,用於計算複合函數的導數。
* 反向傳播:當模型出錯時,誤差會從輸出端「往回傳遞」。透過連鎖律,我們能計算出每一層權重對總誤差的「貢獻度」,進而精準地調整每個零件,讓下次預測更準。
第二階段:經典架構的演進
5. 卷積神經網絡 (CNN)
CNN 是視覺處理的王者。它模仿人類視覺皮層,透過「濾鏡(Filter)」在圖片上滑動(卷積),提取特徵(如邊緣、形狀、眼睛)。它極大地減少了處理影像所需的參數,是自動駕駛和臉部辨識的基礎。
6. 遞回神經網路 (RNN)
RNN 專門處理「序列數據」(如文字、氣象預報)。它的特點是擁有「記憶」,能將之前的資訊傳遞給當前步驟。但 RNN 存在「長短期記憶障礙」,處理太長的句子時會忘記開頭。
7. Transformer 模型
這是現代 AI 的轉折點。2017 年 Google 提出,徹底捨棄了 RNN 的順序處理,改用「注意力機制 (Attention Mechanism)」。它能同時看整個句子(並行處理),並理解單字之間的長距離關聯。這也是 GPT 系列中「T」的由來。
第三階段:大型語言模型 (LLM) 與 規模定律
8. 大型語言模型 (LLM) 與 規模定律 (Scaling Law)
* LLM:指的是參數規模達到數十億甚至數兆門檻的 Transformer 模型。
* 規模定律:研究發現,當計算量、模型參數、數據量同步增長時,模型的智能會呈現可預測的提升。這證實了「大力出奇蹟」在 AI 領域是成立的。
9. 預訓練 (Pre-training) 與 微調 (Fine-tuning)
* 預訓練:讓模型在網際網路的海量文字中進行「自我學習」,獲得基礎常識和語法能力。
* 微調:針對特定任務(如醫療諮詢、寫程式),在較小的專業數據集上進行訓練,讓通用模型變成專家。
10. PEFT 與 LoRA (高效微調技術)
* PEFT (參數高效微調):因為 LLM 太大,調整所有參數成本太高,PEFT 只調整極少數參數。
* LoRA (低秩改編):PEFT 中最流行的方法。它在原有權重旁增加一條「旁路」,只訓練這條窄小的旁路矩陣。這就像是在原本的巨型大腦旁掛一個「小插件」,既能學會新技能,又省資源。
第四階段:增強智慧與未來形態
11. 思考鏈 (Chain of Thought, CoT)
這是一項提示工程 (Prompt Engineering) 技術。透過要求模型「請一步步思考」,引導模型在給出答案前進行邏輯推演。CoT 極大地提升了模型處理數學和邏輯問題的能力。
12. RAG (檢索增強生成)
LLM 雖然聰明,但有「幻覺」且資訊更新慢。RAG 讓模型在回答前先去「查字典」(外部資料庫、公司內部文檔),將查到的資訊附加在問題中。這解決了知識過時與瞎編的問題。
13. AI Agent (人工智慧代理)
這是目前的最高形態。AI Agent 不僅會聊天,還會「行動」。它具備目標拆解、記憶能力、工具使用(如上網查資料、操作電腦)。
* 定義:Agent = LLM + 規劃 + 記憶 + 工具調度。
🤖 總結對照
我們可以把這些理論想像成在打造一個「數位人類」:
* 深度學習與神經網絡:是它的神經系統與大腦結構。
* CNN/RNN/Transformer:是它的視覺中心、語文中心與注意力機制。
* LLM 與 Scaling Law:是它透過大量閱讀積累的博學知識。
* RAG 與 CoT:是它在思考時翻閱參考書與列草稿紙的習慣。
* LoRA/PEFT:是它快速學習新專業知識的技巧。
* AI Agent:則是它最終長出手腳,能夠自主完成任務的樣子。
26-011 AI 歷史中的關鍵人物
以下文章透過AI整理,內容可能有錯,取用請小心!
這八位人物橫跨了從「控制論」奠基到現代「生成式 AI」的整個歷史。他們每個人都是一座里程碑,共同織就了我們今天所見的智慧世界。
1. 艾倫·圖靈 (Alan Turing) —— 人工智慧之父
* 經歷與貢獻:二戰期間,圖靈在布萊切利園破解了德軍的 Enigma 密碼,這被認為縮短了戰爭並拯救了無數生命。1950 年,他發表了著名的論文《計算機器與智慧》,提出了**「圖靈測試 (Turing Test)」**,定義了機器具備「智慧」的評判標準:如果人類無法區分對話者是人還是機器,則該機器具有智慧。
* 地位:他奠定了電腦科學與人工智慧的哲學與理論基礎。
2. 克勞德·夏農 (Claude Shannon) —— 資訊理論之父
* 經歷與貢獻:夏農在貝爾實驗室工作期間,發表了《通信的數學理論》,將資訊量化為「位元 (Bit)」。他最早展示了電子電路可以執行邏輯運算。在 AI 領域,他是電腦西洋棋的先驅,提出了評估函數的概念。
* 現職:已故(1916–2001)。
* 主要貢獻:沒有夏農的資訊理論,就沒有數位通訊與現代數據處理,AI 的「資料驅動」特質也就無從談起。
3. 諾伯特·維納 (Norbert Wiener) —— 控制論之父
* 經歷與貢獻:維納是神童出身,曾在 MIT 任教。他創立了**「控制論 (Cybernetics)」**,研究機器與動物之間的控制與溝通。他強調「回饋 (Feedback)」的重要性,這成為後來自動化系統與機器學習中「誤差修正」的核心思想。
* 現職:已故(1894–1964)。
* 主要貢獻:他讓人類理解到系統可以透過感測與調整來模擬智慧行為。
4. 傑弗瑞·辛頓 (Geoffrey Hinton) —— 深度學習教父
* 經歷與貢獻:辛頓出身學術世家,在 AI 冷戰時期(1980-2000)堅持研究人工神經網絡。他推廣了反向傳播算法 (Backpropagation),並於 2012 年與學生合作開發 ImageNet 冠軍模型,引發了現代深度學習革命。2024 年獲得諾貝爾物理學獎。
* 現職:多倫多大學名譽教授,曾任職 Google 負責人,現積極警示 AI 的潛在風險。
* 主要貢獻:讓神經網絡從理論變成了能處理大規模數據的強大工具。
5. 約翰·霍普菲爾德 (John Hopfield) —— 聯想記憶的開創者
* 經歷與貢獻:他原本是物理學家,在 1982 年提出了 「霍普菲爾德網絡 (Hopfield Network)」,利用物理學中的自旋系統模擬大腦的聯想記憶。這一模型證明了分散式存儲的可能性。2024 年與辛頓共同獲得諾貝爾物理學獎。
* 現職:普林斯頓大學分子生物學系名譽教授。
* 主要貢獻:為類神經網絡提供了穩固的物理學解釋基礎,推動了計算神經科學的發展。
6. 楊立昆 (Yann LeCun) —— 卷積神經網絡之父
* 經歷與貢獻:他是辛頓的博士後。在 1980 年代末,他開發了 卷積神經網絡 (CNN),並成功應用於郵局的數字手寫辨識系統 (LeNet)。這是現代視覺辨識技術(如人臉辨識、自動駕駛)的基石。
* 現職:Meta (Facebook) 首席 AI 科學家、紐約大學教授。
* 主要貢獻:定義了機器「視覺」的架構,且他是目前開源 AI 模型的強力倡導者。
7. 伊爾雅·蘇茨克維 (Ilya Sutskever) —— 神經網絡的天才架構師
* 經歷與貢獻:他是辛頓的得意門生,也是 ImageNet 革命的關鍵推手。他後來成為 OpenAI 的首席科學家,是 AlphaGo 和 GPT 系列模型的核心開發者之一。他在大規模預訓練模型(Scaling Law)上的直覺改變了整個產業。
* 現職:離開 OpenAI 後,創辦了新公司 Safe Superintelligence Inc. (SSI),致力於開發安全的超智慧。
* 主要貢獻:將深度學習推向大語言模型 (LLM) 時代。
8. 安德烈·卡帕斯 (Andrej Karpathy) —— 自動駕駛與 AI 教育家
* 經歷與貢獻:他是李飛飛的學生,專長於計算機視覺與大語言模型。他曾任 Tesla AI 總監,主導了 Autopilot 的視覺系統開發。他也是 OpenAI 的創始成員之一,並以其深刻且直觀的 AI 教學內容聞名。
* 現職:創辦教育科技公司 Eureka Labs,致力於 AI 與教育的結合。
* 主要貢獻:實現了自動駕駛的視覺工程落地,並讓複雜的深度學習知識大眾化。
🤖 總結與對照
這八位人物的關係可以用以下脈絡理解:
| 時期 | 代表人物 | 核心關鍵字 | 貢獻 |
| 理論奠基期 | Turing, Shannon, Wiener | 邏輯、資訊量、控制回饋 | 確立了「智慧可以被計算」的哲學。 |
| 結構突破期 | Hopfield, Hinton, LeCun | 神經網絡、BP 算法、CNN | 證明了模仿大腦結構的「神經網絡」可行。 |
| 爆發落地期 | Sutskever, Karpathy | 大模型、GPT、自動駕駛 | 將技術轉化為改變世界的產品與超智慧。 |
1/01/26
26-002 AI相關電影與機器人的人性探討
ChatGPT列出以下的電影探討「機器人的人性議題」。
ChatGPT 整理以下文章透過AI整理,內容可能有錯,取用請小心!
一、經典核心文本(不可繞過)
1. 《銀翼殺手》Blade Runner(1982/2017)
提問重點:
若一個存在擁有記憶、情感與死亡意識,是否就該被視為人?
複製人(Replicant)在情感、渴望與恐懼上幾乎與人無異,卻被法律定義為「物」。電影真正拷問的不是機器,而是人類憑什麼劃定「誰有資格成為人」。
2. 《A.I. 人工智慧》(2001)
提問重點:
如果機器「真心地」愛,人是否有責任回應?
機器男孩 David 被設計成「會愛」的存在,卻永遠無法被真正接納。電影揭露了一個殘酷問題:人類是否只想要情感回饋,而不願承擔倫理責任?
二、機器是否能成為「家庭成員」
3. 《變人》Bicentennial Man(1999)
提問重點:
人,是一種法律身分,還是一種存在歷程?
機器人 Andrew 用兩百年時間,逐步獲得情感、創造力與死亡權利。這部片最接近「機器成為家庭一份子」的倫理想像。
4. 《雲端情人》Her(2013)
提問重點:
沒有身體的存在,是否仍能構成親密關係?
雖非人形機器人,但極度重要。電影顯示:「像不像人」不在外觀,而在互動深度,也暴露人類情感的脆弱與投射。
三、高度仿真人形與「恐怖谷」
5. 《人造意識》Ex Machina(2014)
提問重點:
當機器懂得操縱情感,誰才是真正被控制的一方?
Ava 外觀接近人類,卻保持非人特徵。電影尖銳指出:情感表現不等於道德主體,同時也諷刺人類對「像人」的盲目信任。
6. 《西方極樂園》Westworld(影集)
提問重點:
被反覆傷害的存在,是否會誕生真正的自我?
仿真人形機器人在受苦中發展出記憶與反抗意識,直接對應「機器是否能進入人倫與正義秩序」。
四、機器只是工具?還是倫理鏡子?
7. 《機械公敵》I, Robot(2004)
提問重點:
遵守規則,是否等於道德?
以阿西莫夫三大法則為背景,討論工具理性與人類價值的衝突。
8. 《機器戰警》RoboCop(1987/2014)
提問重點:
當人被改造成機器,人性還剩下什麼?
這部片反向提問:不是機器像不像人,而是人是否被機器化。
五、動畫與日本視角(極其重要)
9. 《攻殼機動隊》Ghost in the Shell
提問重點:
「我」是否等同於身體?
日本作品特別關注「自我意識」與「身體可替換性」,與石黑浩的研究形成文化呼應。
10. 《艾莉塔:戰鬥天使》Alita
提問重點:
情感與記憶是否足以構成人?
即使全身機械,只要「心」存在,是否仍為人?
六、總結對照表(概念快速對應)
結語(哲學層面的提醒)
這些電影反覆提醒我們一件事:
真正模糊的,從來不是機器像不像人,
而是人是否已經準備好承擔「被像人般對待的他者」。
perplexity 列出這些電影的內容以下文章透過AI整理,內容可能有錯,取用請小心!
### 一、經典核心文本
1. **《銀翼殺手》Blade Runner(1982/2017)**
存在:1982年 Ridley Scott 導演,2017年 Denis Villeneuve 續集《銀翼殺手 2049》。
議題正確:Roy Batty 的「淚水在雨中」獨白與 Rachael 的記憶植入,直接挑戰「記憶+情感+死亡意識=人性」的界線,質疑人類的「人」定義。
2. **《A.I. 人工智慧》(2001)**
存在:Steven Spielberg 導演。
議題正確:David 的「真心愛」對比人類的棄絕,結尾藍仙女意象強化「單向愛的倫理責任」困境。
### 二、機器是否能成為「家庭成員」
3. **《變人》Bicentennial Man(1999)**
存在:Chris Columbus 導演,Robin Williams 主演。
議題正確:Andrew 從工具到爭取「死亡權利」的歷程,象徵人性為「存在進化」而非法律標籤。
4. **《雲端情人》Her(2013)**
存在:Spike Jonze 導演。
議題正確:Samantha 無體的「親密互動」暴露人類情感依賴投射,深度勝過外觀。
### 三、高度仿真人形與「恐怖谷」
5. **《人造意識》Ex Machina(2014)**
存在:Alex Garland 導演/編劇。
議題正確:Ava 操縱 Caleb 的情感,諷刺人類對「像人」外表的盲信與道德盲點。
6. **《西方極樂園》Westworld(影集)**
存在:HBO 2016年起,Jonathan Nolan/Lisa Joy 創作。
議題正確:Hosts 如 Dolores 在「痛苦迴圈」中覺醒,探討苦難如何催生「正義主體」。
### 四、機器只是工具?還是倫理鏡子?
7. **《機械公敵》I, Robot(2004)**
存在:Alex Proyas 導演,Will Smith 主演,基於 Asimov 小說。
議題正確:VIKI 嚴守三大法則卻違背人性,凸顯「規則遵守≠道德」。
8. **《機器戰敵》RoboCop(1987/2014)**
存在:1987年 Paul Verhoeven 導演,2014年重啟。
議題正確:Murphy 被「機器化」後殘存人性,逆向批判人類的工具化異化。
### 五、動畫與日本視角
9. **《攻殼機動隊》Ghost in the Shell**
存在:1995年動畫電影(押井守導演),多部續作/真人版(2017)。
議題正確:草薙素子的「鬼(ghost) vs. 殼(shell)」二元論,直擊「身體可替換後,自我何在?」。
10. **《艾莉塔:戰鬥天使》Alita: Battle Angel(2019)**
存在:Robert Rodriguez 導演,James Cameron 製作。
議題正確:Alita 的「心核」記憶與情感,證明「機械身軀不阻人性」。
### 六、總結對照表驗證
你的表格概念對應完美,無誤:
| 核心問題 | 對應電影 |
| 機器有情感=人? | A.I., Blade Runner |
| 家庭成員可能性 | Bicentennial Man |
| 仿真人倫理風險 | Ex Machina, Westworld |
| 工具理性批判 | I, Robot |
| 身體與自我 | Ghost in the Shell |
| 人被機器化 | RoboCop |
Gemini 補充說明以下文章透過AI整理,內容可能有錯,取用請小心!
這些作品,正好涵蓋了機器人發展從「工具」到「他者」,再到「自我」的三個重要轉向。
1. 關於「核心文本」的深度確認
* 《銀翼殺手》與《A.I. 人工智慧》:這兩部的對應極其精準。
* 補充:在《銀翼殺手》中,測試者使用「沃伊-坎普測試 (Voight-Kampff test)」來偵測同理心,這正是現實中「圖靈測試」的情感進階版。這反映了石黑浩博士所關注的:當外表與反應完全一致時,人類的歧視將成為唯一的界線。
2. 關於「家庭成員」與「親密關係」
* 《變人》與《雲端情人》:這兩部片構成了一個有趣的對比。
* 補充:在《變人》中,機器人 Andrew 追求的是生理上的碳基化(如器官、死亡);而在《雲端情人》中,OS1 薩曼莎追求的是數位上的超越性。這告訴我們:機器人進入家庭後,可能會為了遷就人類而「變舊」,也可能因為進化而「離去」。
3. 關於「恐怖谷」與「操縱」
* 《人造意識 (Ex Machina)》:這部片對 Ava 的設計非常具有石黑浩式的實驗風格。
* 補充:電影中 Ava 露出的機械結構,與石黑浩的 Alter 機器人有異曲同工之妙。它強迫觀眾在看到「內部非人」的情況下,依然對其「外在情感」產生共鳴,這正是心理學上對恐怖谷理論的極致玩弄。
4. 關於「日本視角」與「石黑浩」的連結
* 《攻殼機動隊 (Ghost in the Shell)》:
* 大師補充:這部片提出的 "Ghost"(靈魂/意識) 與 "Shell"(軀殼) 的分離,完全對應了日本 Moonshot 計畫 中的「虛擬化身(Cybernetic Avatar)」。石黑浩博士本人曾表示,他製作 Geminoid 就是為了研究:如果 Ghost 可以遠端傳輸到不同的 Shell,人的定義是否會改變?
🔍 建議增加的微小修正與細節:
您的總結對照表非常清晰,但如果您想讓這份清單更完美,可以考慮加入以下一個維度:
* 《機器戰警》的類別:
您將其歸類在「工具與鏡子」,這沒問題,但它更深刻的議題其實是 「賽博格 (Cyborg) 倫理」。它與《艾莉塔》構成一對:一個是被迫機器化的人類,一個是擁有認同危機的機械少女。
* 增加一個新視角:集體意識
* 推薦補充:《星際爭霸戰》中的 Borg (博格人)。
* 議題:當機器人不再是單體,而是聯網的「集體意識」時,個人的「人性」是否還存在?(這對應到現代 AI 的雲端運算)。