2026/10/12

AI 創世紀

 AI 創世紀

建議先讀結語,瞭解此書的目標後,在閱讀各章節
  • AI帶來的最大危險是,我們過早或過於信誓旦旦地宣稱我們已經對其有所了解
  • AI壓縮了人類的時間尺度,那些尚未發生的事物,其實已近在眼前
    • 人機合作日益普及,必須決定這種關係應有的本質
    • 為人類尊嚴提供定義
  • AI地出現是人類存續的問題
    • 人類價值觀與意圖,及AI行動的對齊
    • 人類與人類之間的外交對齊

起始
  • 人類的探索,從實體環境(陸地、海洋、太空)進展到智能知識
  • AI具有高度的速度、容量、推理能力
    • 無法解釋的不透明性、不容質疑般的神諭,衍生出無法推動人類文明向前,反而回到威權的黑暗時代
    • AI多樣性高且迭代速度快,超出人類理解、審驗的能力
    • 人類已不再是最高等級的智慧體,AI以人腦結構為藍圖起始,但人腦已不是終點,可能只是一個過渡
    • AI將成為終極博學家
      • 如果AI與人類的目標一致,他將成為人類最重要最巨大的力量
      • 如果目標不一致,其累積的知識可能帶來會滅性後果
  • 當AI成為具備意識的超智慧(super-intelligence)
    • 就如同以前的奴隸,機器是否會主張與爭取其自主權
    • 人類與機器之間的關係會有怎樣的發展
    • 機器是否還會有敬重人類的前提
    • 未來是否會成為碳基與矽基的競爭
    • 過去機器模仿人類的感官
      • 這些感官在未來世界是否都是必要?
      • 機器是否會出現人類不具有的感官?
    • 當機器具有實體,甚至有因應環境而優化的實體,人類是否還能佔有主導權?
    • 未來可能的新物種:技術人(Homo Technicus)
      • 與機器共生的人類物種
四大領域
  • 政治治理
    • 一個組織的治理,很大的程度取決於資訊處理的效率
    • AI 提供高度計算能力與儲存能力,實現了理想的資訊處理效率
    • 領導者+智庫 --> 領導者+AI
    • AI更大的潛力,在於思考出我們無法想像到的全新解法
    • 人類壽命有限,透過AI可以將經驗與知識延續
    • AI降低情緒反應,平衡人類的情緒波動所形成的決策
  • 和平與安全
    • 每個國家都希望最大化單邊優勢
      • 透過AI來強化電腦病毒(生物病毒?)
      • 操控人類心理弱點
    • 國家間的平衡可能因對AI能力的恐懼而破壞,提高衝突的態勢
      • 風險與不確定性的管控
      • 情勢誤判機率的降低
      • 冷戰時代的核平衡
    • 部分國家利用AI發展出外交情勢評估決策工具
      • 讓AI運作外交,快速降低彼此間的誤解、認知落差
      • 意圖判斷
    • 戰爭新典範
      • 無人、巨量、精準
      • 在未來,人類可能不是攻擊的目標
      • 以往戰爭的邏輯,看哪一方無法忍受對手施加的苦難或破壞,就成為被征服的一方。AI無法感受痛苦,是否會變成戰至資源耗盡
      • 宗教信仰更可能成為身份認同與忠誠的框架
      • AI發展成超級調停者,透過外交、武力、資源等評估,繞過人性,衍生出解決方案
  • 超越匱乏
    • 擴大可用財富總量,實際提升可分配的財富規模,便可提升人類生活水準
    • 將勞務轉移到機器
    • 即便能超越價值,不代表能超越價值觀
      • 人可能會因文化、種族、宗教等分群,以此掀起禍端
    • 當AI創造生活所需,職業可能消失,連帶將抹去個人的社會地位、個人認同、生活意義等
      • 人類生活,會沉浸於AI提供的物質精神環境而消極過活,或是可能提升人類新的意識層次
  • 科學突破
    • 醫藥
      • 早期預警
      • 蛋白質結構、新藥發明
      • 非侵入式療法
      • DNA科技
    • 氣候工程
      • 即時調控大氣化學反應
    • 外太空
      • 探索外星文明
人機共生
  • 理想:人類智慧與機器智慧相互賦能的未來
  • 共同演化
    • 基因經過調整的族群,天生更適合與AI協作(超人類)
      • 生理、心理、倫理的問題與風險
      • 若無極端改造,未來人類是否會居於劣勢
    • 超人類與舊人類的族群共存問題
    • 國家與國家的差距
  • 人性化的AI
    • AI已具有自我利益的能力
    • AI與人類價值觀對齊
      • 基於規則
      • 來自人類回饋的強化學習
    • 我們是否有能力定義「真理」(Doxa)
    • 多元文化
結語
  • 面對AI強大能力,我們需要某種更深層的東西,某種根本上屬於人類本質的東西
  • 我們總在不確定中行動
    • 行動不表示具有完全掌控的特權
    • 在AI時代,我們不會比以前的人更清楚未來命運的走向
    • AI協助我們認清過去,據此來推理思考未來
  • 即使機器能與人類的道德對齊,我們是否應將責任與威權授予機器?誰來決定?

2026/08/06

不要做最好,但要搶第一

這本書的主要觀念:
  • 「好」是主觀且模糊的,但「第一」是客觀且具有地位的
  • 成為第一才能掌控遊戲規則
  • 不要做到完美才行動,夠好就行了
  • 與其做得比別人好,不如做得有差異,從其他的角度來搶佔第一
  • 先求有再求好,先卡位再優化

 

作者從他的經驗,在書中分享了100個故事與衍生出的格言,這裡摘出幾個值得關注的雞湯:

  • 想成功就不能只是個旁觀者,而且要有無限激情
  • 機會只屬於勇於偉大的人,想要偉大就要停止渺小,你要先在乎自己,別人才會在乎
  • 時不我予是懦夫的藉口
  • 挫折代表挑戰,而不是困難
  • 站得夠近才能看到美景
  • 不要為了冒險而冒險,要懂得評估投資與利潤,冒險的意義是發掘自己的潛力
  • 行銷的目的就是要將庫存賣出,行銷的原則是化繁為簡
  • 沒有風險就是最大的風險
  • 樂觀是相信自己與自己正在做的事
  • 製造新聞話題(或八卦)就等同免費宣傳
  • 差異化是成功的隱形同義詞
  • 善加規劃未來,因為你的餘生都將在未來中度過 (想想你的餘生有多長)
  • 在創業家眼中,所有規則都可被改變 (不要先被框住)
  • 不要怕犯錯,但不能犯同樣的錯
  • 客戶是最重要的資產
  • 運氣是你過去所有付出的總結
  • 「不可能」意味著「有意思」
  • 成功的捷徑,是從他人的錯誤汲取教訓
  • 越會說故事就會越成功 (可以唬爛,但不能說謊)
  • 知道如何面對失敗的人,才知道如何成功
  • 最好的方法通常不是在辦公桌想出來的

2026/08/05

Portfolio Life 多重職涯組合

 發現我的多重職涯組合 (The Portfolio Life)

人生(Life)

  • 不應侷限於單一角色或機會
  • 世界的變化越來越快,多樣化有助因應變化,減少不確定性 (外在)
  • 人生需求改變,可彈性調整角色組合來因應 (內在)

人生投資組合四大支柱
  • 身分 Identity
    把個人身分定位與工作切割 (沒有了名片,你會是什麼)
    工作可以為生活帶來意義,但不該是生活的全部
    • 過去人的身分與形象會因任職的工作而框定
    • 我們習慣將他人歸納於某一群組,可以快速預測其行為。但這包含了偏見
    • 人應該是不同面向的組合,而不應該只在單一(工作)面向上
  • 選擇權 Optionality
    將人生的發展定義為一系列可能路徑,而不是單一軌跡
    • 人生是由大大小小的選擇組合而成
    • 為人生做選擇不應受年齡所限制 (不要因為年紀而限制了選擇)
    • 創意人的五種技能:聯想、提問、觀察、實驗、人脈
      聯想支撐其他技能的基礎
  • 多樣化 Diversification
    透過多元管道滿足自身需求,而不是只靠單一工作、行業、或公司
    • 在現代只從事一份工作,可能是最冒險的職涯選擇
    • 為人生投資組合增添多樣性,能有不同收入來源、經驗,可以降低風險,提供多角化運作模式
    • 自我掌控職涯,而非受人擺布
  • 彈性 Flexibility
    時間管理應更有彈性
    • 彈性使我們能快速適應不同工作與生活狀況,為新狀況在人生投資組合中找到新平衡

將時間與精力分配在不同面向的組合。這些面向包含了:

  • 技能
  • 工作/收入來源
  • 興趣
  • 身分角色
  • 發展方向

例如,某個人可以有這樣的人生配置

    • 白天:資料分析師(收入)
    • 晚上:寫技術部落格(興趣 + 個人品牌)
    • 週末:教 Python 給學生(技能變現)
    • 長期:做 AI 專案(未來方向)

用不同的角度來面對失敗

  • 不要畏懼失敗,要思考的是它是否可控
  • 面對風險,才有更高的回報
  • 要培養韌性與適應力,才能積極面對變動與失敗
    • 失敗不是無能,而是在培養不擅長的能力,是學習得過程
    • 失敗的代價
      • 財務成本:實際損失、機會成本
      • 社會成本:人際關係與聲譽受損、未來的機會
      • 心理成本:尊嚴、面對下一次挑戰的勇氣

你有什麼?
  • 從別人的角度來了解自己有哪些特質與能力,找到自己沒有發現的自己
  • 記錄下別人認識的你與自己認為的你
  • 找出這些特質能力的分類














工作組合商業模式
    • 兼職型 (moonlighters)
      一份主要(全職)工作、業餘時多個次要活動
      • 兼職不一定是為了賺錢,可能是興趣或是創業的前奏
    • 彎曲型 (zigzaggers)
      在不同行業或職能間轉換
      • 常見先以兼職方式經營,等時機成熟時,下定決心進行轉換
      • 需有足夠資源與決心來提升新領域的技能
    • 多重專業型 (multi-hypennates)
      同一時間投入多個主要工作,或將多個工作合併成一個主要工作
      • 當合併多個領域時,是在打造新的個人職業路徑,而非現存道路
找出工作組合的方法
    1. 寫下100個願望
      • 從小到今曾經想做/有興趣的事
        涵蓋技能、職業、家庭、健康、興趣、環境、人際、財務、成長...
      • 按主題分類
    2. 寫下主要需求
      • 當你生活充足時,你擁有什麼 (收入、朋友、娛樂、...)
      • 如果有什麼會更好
    3. 檢視時間分配
      • 檢視一天花在工作、家人、朋友、興趣、運動、成長、荒廢等等的時間
      • 用圓餅圖來呈現
    4. 搭配起來
      • 將step 2的需求歸類到step 3的時間分配項目
      • 檢視step 1的願望,現有的時間分配是否與各類願望的分布相符
        如果不相符,是否需要調整時間分配
      • 認知現況與期盼的差距
    5. 打造組合
      • 在step 4中,有哪些需求沒有被滿足
      • 調整時間分配,來看是否能滿足需求
工作生活平衡
  • No measure, No management
  • 找出衡量人生的指標
    • 可執行指標(actionable metrics):可觀察行動有效性的指標,輸入對目標的價值
    • 虛榮指標(vanity metrics):可量化但沒有價值的指標,即使改善了並不表示更接近目標
    • 成效指標(outcome metrics):可量化的輸出成果對目標的價值
  • 以平衡計分卡的概念,對前述的類別策略進行評核
團隊
  • 要實現投資組合,需要有不同特質成員組合團隊的支持
  • 連結不相關人脈的能力,是具有優勢的價值
  • 個人董事會
    • 獲得建議、引薦、新觀點、經驗、機會、反饋、資源
    • 成員腳色:教練、談判者、中介者、打氣者、說真話的人


2026/06/29

民主相關書籍摘要

民主怎麼結束

歐巴馬:我們設定所有人都心懷善念,因為這假定對活躍健全的民主制度至關重要

政變
  • 軍事政變:以武立接管政權或治權
  • 行政政變:當權者凍結制度
  • 選舉日舞弊:不公平選舉使之產生特定結果
  • 追認性政變:以手段接管後,在舉行選舉來合法化
  • 權力擴張:以手段削弱民主機構或機制之權力
  • 策略性選舉:以不自由、不公平的手段,非舞弊方式進行選舉

民主的特質

  • 多元
  • 自我修正機制
  • 長遠利益
  • 人民尊嚴

  • 民主制度的替代方案
    • 務實的極權主義
    • 知識菁英治國
    • 數位科技治國



    民主的弱點

    選舉是民主的基礎
    • 民主是改變統治者的過程
    • 信任是選舉制度的根本
    影響選舉的方式
    • 從選舉下手
    • 從選民下手
    • 從候選人下手
    • 破壞對體制的信任
    CIA慣用手法
    • 冷戰時期
      • 金援候選人
      • 分化對手
      • 左右民意
    • 冷戰後
      • 為特定人選背書 (公開偏好)
      • 提倡民主制度

    網路時代共產黨影響選舉手法

    • 滲透資訊來源以改變人民想法
    • 利用社會既有分裂並擴大分裂
    • 圖利特定候選人,打擊敵對者

    共產黨並沒有大家想像的強大,但會透過假訊息與誤導認知,放大大家對其能力、影響力的認知

    假訊息充斥,人民缺乏分辨能力,家庭與學校教育也未能補足此一環節

    反制能力的根本

    • 歸屬感 (國家認同)
    • 對事物共識的協商與妥協
    • 對威脅的認知與警覺


    2026/01/07

    Richard Sutton評論LLM

     LLM

    最近幾年大語言模型 (LLM; Large Language Model)已經風靡了世界,無論各行各業都想盡辦法要跟LLM沾上邊。但是,LLM真的是未來發展的聖杯嗎?

    最近,強化學習之父Richard Sutton跳出來提到LLM是死路一條 (LLMs are a dead end)。圖靈獎楊立昆(LeCun Yann),深度學習的先驅、CNN的重要發明者,也有相同的見解


    Richard Sutton認為強化學習是著重於理解你的世界;LLM則是著重在學習模仿人類。Sutton認為智慧是在理解與行動,而LLM則是卡在模仿這一層。他認為LLM有三個致命的缺陷:

    • LLM缺乏真正的世界模型
      預測人會說什麼,與預測世界會發生什麼,是完全不同的兩件事
      例如一個燒開的熱水壺,LLM中知道「燙」、「別碰」,但不知道碰觸與燙傷之間的因果關係,沒有世界中的運作邏輯
    • LLM沒有Ground Truth
      沒有正確答案的定義,因此沒有回饋給LLM來進行修正改進
      例如打乒乓球的電玩,將球回擊就得分,沒接到球就失分,正確的定義很簡單且明確,因此就很容易進行訓練、模型也能調整其策略;LLM在生成的時候,並沒有正確的概念,例如要求生成提升注意力的文章,很難有標準答案來判斷其生成的內容對錯,因此很難讓模型可以精進
    • LLM沒辦法從經驗中學習
      人類的學習是透過預期與實踐偏差來調整認知
      例如今天下雨但沒有帶傘,多數人便會在未來關注氣象預報來決定是否帶傘;但LLM缺乏這樣的適應性(adaption)
      另一個例子是你問LLM把冰塊放進微波爐會怎樣,LLM會回答你冰塊會融化。但如果經過5分鐘還沒完全融化,人多半會修正說微波爐沒有啟動,或是功率太低,但下次你問LLM,他還是回答會融化,而不會從上次的經驗來學習

    Sutton認為目標是智慧的本質。沒有目標的系統只是一個行為系統,不是智慧系統。有人反駁LLM也有目標,預測下一個token就是他的目標。Sutton解釋LLM沒有主動實現某個目標的動力,只是執行預設的計算任務

    Sutton提出了經驗學習範式(experiential paradigm)概念。核心是一個簡單且強大的感知、行動、獎勵 (Observation, Action, Reward)的循環。智慧就是這個flow不斷循環,不斷調整行動來增加獎勵

    這個paradigm與LLM的差別在於學習的來源
    • LLM學習的來源是文件網頁,是間接的
    • 經驗學習的來源是與系統與世界互動的,是直接的
    Sutton舉嬰兒為例,認為嬰兒是透過try-n-error來學習,而不是單純的模仿。例如嬰兒碰觸玩具,而玩具發出聲音,嬰兒便會嘗試再碰觸玩具來驗證是否仍發出聲音。這就是一個observation-action-reward的循環。而現今的學校教育,是一種訓練而不是學習。他還舉例松鼠不上學,但透過與世界的互動,也可以知道怎麼找食物、如何躲避天敵、如何繁衍。

    Sutton提出了Temporal difference (TD) learning,認為智慧系統是由四個元件組合而成:

    • 策略 (Policy)
      當前的情境下應該做什麼,從狀態到行動的映射
      例如行進的前方有一扇門,那應該要想辦法打該這扇門
      好的策略應該要能泛化,就是能處理沒見過的新情境,例如開門方式有些推,有些是拉,有些是側拉
    • 價值函數 (Value Function)
      TD學習核心作用是用來評估當前狀態的好壞,作為策略調整的依據
      例如下棋時,下在A位與B位,何者贏棋的機會較高
      TD的價值評估的是長期收益,而非短期收益,依據當前預測與未來實際結果的差異來修正評估
    • 感知 (Perception)
      將雜亂的感知數據,整理為有意義的內部表示
      例如感知到紅色、圓形、有斑點的物體,感知元件會將他整合,判別為狀似蘋果的內部表示,方便策略與價值函數來作出反應。這是與世界互動的第一線
    • 世界轉換模型 (Transition Model)
      負責預測行動會帶來的狀態變化,理解因果關係
      例如知道按下開關燈會亮
      除了物理規律,此模型還包含抽象規律 。這個模型不僅僅是從獎勵學習來的,而更是觀察行動與結果的對應關係中獲得

    LeCun Yann則提出了JEPA(Joint Embedding Predictive Architecture)



    Sutton認為LLM依賴人類創作的文件,那些是人對世界的描述,而非對世界本身的經驗。即使這些文件可以詳述人類的經驗,那也只是讓LLM達到local optima,而非global optima,從而失去真正通用的方法

    除了上述的缺陷,Sutton指出LLM另一個大問題:泛化能力差
    泛化指的是在一個任務學習到的知識,映射到另一個任務的能力。當前泛化的問題有兩方面

    • 災難性遺忘(Catastrophic Forgotting)
      當訓練新事物時,會遺忘掉所有的就事物
    • 缺乏自動化的泛化機制
      深度學習依賴梯度下降來優化模型參數,但無法歸納出新規律來應對新場景
      好的泛化可以找出解決問題的多種方法,且能依照context來選擇最優的方法 (note: 就如Grand Truth知道何者為優,何者適合)
      世界太大太複雜,不可能將所有的cases都納入訓練,因此需要系統能自動且持續的學習
    另外,LLM還有一個問題,就是學習的頻寬不只來自於獎勵,更來自於感知數據。透過整合所有的感知訊號,來建構對世界的理解。人類是動物,如果能了解動物的智慧、了解松鼠的智慧,就可以了解AGI。

    Sutton還提出了宇宙演化的四階段

    References:

    • https://www.youtube.com/watch?v=RLR4OpetiEc