呆一布呀 DiveAI

現在很多高手用 AI 生成影片的工具和流程是這個樣子的:

1️⃣ 用 生成參考圖、角色設定等等。
2️⃣ 用 生成影片。

我們不是專業的，會發現就算用了和高手一樣的工具，生出的影片總覺得少了點什麼，或差和我們的想法不太一樣。專家們有個標準的武器叫 #分鏡表。

當然好好去上個專門的課程，又累積許多經驗之後，我們才能真的把分鏡表做好。不過用 AI 生成很多短影音的 Tonyaigirls Tony 老師，教我們這些外行的，怎麼樣用 ChatGPT 生成 一個不錯的分鏡表，然後讓 Seedance 2 幫我們生出想要的影片。

Stanford 大學辦了非常有意思的研討會: "The Future of Mathematics"，邀請了包括 Michael Freedman, Terence Tao, 和 Maryna Viazovska 三位費爾茲奬（有「數學界諾貝爾獎」之稱的最高榮譽）的數學家; 還有包括來自 OpenAI 和 DeepMind 等人工智慧專家，討論 #人工智慧 和 #形式方法 正怎麼樣改變數學。

AI 工具已經在重塑 #做數學 的方式，但數學中最困難的部份，比如說 #定義正確的概念、 #理解證明為何成立 以及 #決定哪些問題重要，目前仍然是人類才能做的。

這白話文的說法是，在我們常說的 的時代，AI 不知道怎麼 #定義問題，不是真正理解 ，不會 #驗證自己做的是不是有道理。

所以我們應該想的是，我們教會 AI 做這些之後，是不是不只對數學有幫助，而是一個未來 AI 更進化的一個重要方向？

我們用有點簡化的，現在 AI 做數學的方式，來看看這裡的討論和傳統 AI 有什麼不一樣的地方。

現在我們都看到好幾個大型語言模型 LLM，都很會做數學，在許多數學競賽中成績突出。

訓練的方式基本上就是讓語言模型，解題前先進行 #思考。現代的 LLM 會思考可能很多人覺得神奇，但說穿了其實就是要求 LLM 不要直接回答答案，而是先產生 #思考的回應，更白話說就是請 LLM 先 #打草稿。

正式的回應再根據這份草稿，回覆使用者的問題。

所以很多模型就是專注在 #怎麼產生良好的草稿，或者我們要說得比較厲害的話，就是 #怎麼產生良好的思考。

就做數學方面，我們怎麼知道什麼想法，或是推導過程比較好，什麼比較差呢？一個基本的做法是用強化學習，然後只要最後答案是對的，就告訴 LLM 「你的想法不錯」，錯的話就告訴它「這樣有問題要改」。也就是說，現在的做法根本不是檢查你的過程是不是對的，只看答案。所以 LLM 可能會學到「用錯誤的方法得到正確答案。」

現在有 這個形式化的程式語言，簡單說我們可以用程式去驗證一個數學證明是不是對的。於是像我們教學生一樣，也有機會教 AI 怎麼學學邏輯推理。結果就是當 AI 做了一串的推論，得到一個答案，它自己會知道它做的是對的。

能做出 ，當然不會只對數學有幫助。比如說，有可能程式寫好， (而且不是跑幾個例子之後)。做了一段評論， 。

這其中還有很多的問題，重要的是如我們一開始說的， #會證明其實是不足夠的，還要會 #想想什麼是重要要解決的問題，甚至能 #建立一些猜想。不論如何，這看起來不只對數學，甚至對下一代的 AI，都是一個深具潛力的方向。至於最終能走多遠，就讓我們拭目以待。

《Future of Mathematics Symposium》議程和錄影 (兩天，每天都超過 8 小時！）：
https://events.stanford.edu/event/future-of-mathematics-symposium

「如果是勇者欣梅爾，一定會加入這場 AI 冒險！」｜ 【呆一布 AI 共學實驗室】．首波冒險夥伴招募
________________________________________
「AI 本身只是個呆萌的學徒，它需要一個像欣梅爾那樣有勇氣的冒險者，給它一個改變世界的目標。 」

在芙莉蓮的世界裡，只要想像得到，魔法就做得到， AI 時代也是一樣，很多人會問：「我到底能用AI做什麼？」，其實答案就在你的想像力。現在開發門檻大幅降低，即便你不懂程式，只要你敢想像加上執行力，就算不會寫程式，也能敲出屬於你的神級小工具！

為了讓每個人都能親手實現腦海中的魔法，我們在 X 實驗學院的支持下，開啟了一場全新的 AI 冒險旅程，我們叫它 「呆一布 AI 共學實驗室」。

🔍 為什麼我叫「呆一布」？
一方面是想讓大家 "Dive into AI"；另一方面，是因為現在的 AI 本質上就是 「呆萌型 AI 機器人」。它其實很「呆」，它不會知道自己要做什麼，更不會自動幫你分析。AI 能變出什麼魔法，完全取決於我們這群「冒險者」怎麼去引導它 。

🌟 我們想和你一起做的事：
● 學習 AI： 透過讀書會理解底層邏輯，懂了原理，你才不會被它牽著鼻子走！
● 用 AI 學習： 把 AI 當成你的超級助教，在實驗室裡嘗試各種AI工具，只要你有個酷點子，我們就一起動手把它變出來。
● 創造價值： 專案會從我們的互動中長出來、可能是經營社群貼文與頻道、影片企劃撰寫、剪輯製片、辦工作坊，甚至與Hahow合作共同推出課程，我們要在 AI 的世界裡，留下我們存在過的痕跡。

如果是勇者欣梅爾的話，他一定會覺得這是一個最棒的時代。
📩加入冒險之旅，讓我們認識一下你：
1. 關於 AI，你有什麼好奇、或覺得它最「呆」的地方？
2. 如果 AI 能幫你實現一個學習目標或個人專案，那會是什麼？
「這只佔了我百分之一歲月的旅途，改變了我。 」身而為人的思想碰撞，才是 AI 時代最珍貴的寶藏。

【報名與相關資訊】
● 報名資格｜ 任何對 AI 應用實作有興趣的同學
● 開放報名｜ 即日起 ～ 5/21
● 結果通知｜ 5/28（四）通知書審結果，並安排面試
● 報名連結｜ https://reurl.cc/GaQkpZ

【認識呆一布呀 DiveAI】
我們是一個學習 AI、推廣 AI 的團隊。
FB：https://www.facebook.com/diveai
YT：https://www.youtube.com/-diveai

OpenAI CEO Sam Altman 在 X（對，在告他的馬斯克的 X）上說，之後可以用你付費的 ChatGPT 帳號，登入使用 OpenClaw，還祝你養蝦快樂！

這意外也不意外，畢竟 OpenClaw 的作者 Peter Steinberger 現在就在 OpenAI 工作。只是我們本來預測是 OpenAI 會推出官方版的龍蝦（也許還是會有）。

今年第2場，呆一布邀請大家來聽一場比較不像「講座」、更像是聽一個一路上一直在嘗試的人，分享她是怎麼成為現在的自己。
​
我們邀請到 —— 李婷婷 。
​
如果你有在關注 AI、區塊鏈、創業，或只是偶爾在網路上看到「AI 女友」「FansNetwork」「The Z Institute」這些關鍵字，可能都曾經滑過她的名字。
​
婷婷很難只用一個身份介紹。她是工程師、創業者，也是內容創作者。從 19 歲左右開始投入區塊鏈與技術創業，做過國際接案、資安審計、工程師培訓，後來又把自己的興趣和觀察帶進 AI，做出 FansNetwork／AI 分身相關產品。她的路線不是那種一開始就規劃得很完整的成功故事，反而比較像是：看到有趣的東西，就真的跳下去研究、做出來、丟到市場上試試看。
​
我覺得這也是這場分享最想邀請大家來聽的原因。
​
這次來政大，她會和我們聊聊自己的創業歷程：
一開始是怎麼開始接觸技術、怎麼從工程師視角看見市場機會、又是怎麼把一個看似好玩的想法，慢慢變成真的有人使用、甚至願意付費的產品。
​
也特別邀請對 創業/跨域 有點好奇的人來參加。
可能你只是常常覺得「我好像也想做點什麼」，但還不知道要從哪裡開始；或是你對 AI、社群、個人品牌、產品開發有興趣，想聽聽一個真的走過這些路的人怎麼想、怎麼嘗試、怎麼繼續往前。
​
總之，講座是4/29(三) 在政大，歡迎你來參加！
報名連結 ： https://aistudio.pse.is/8yx68f

你有沒有好奇過 ？

Anthropic 讓 AI 針對 171 種情感各寫幾個短篇故事。規則只有一條：故事裡不能出現這個情感的名字，也不能用任何近義詞。你要寫一個感到「絕望」的人，但你不能說他絕望。你只能寫他怎麼做、怎麼想、怎麼移動。這堪比小說級的作文練習。

這個設計的用意，是讓 AI 必須通過行為和語境「表達」情感，而不是直接貼標籤。當模型在寫這些故事時，它內部的神經元會進入一種特定的計算狀態——Anthropic 的研究人員就在這個瞬間，從模型內部的高速道路裡把那個狀態記錄下來。

然後用數學把它定位。

殘差流（Residual Stream）是 Transformer 模型內部的一條貫穿AI模型全體的高速道路，也可以想成是一本不斷被層層資訊包裹著的筆記本。研究人員用 PCA（主成分分析）把跟情感無關的雜訊過濾掉，剩下的那個方向，就是「絕望」在這個模型裡的數學座標。

他們把這個座標叫做情感向量（Emotion Vector）。

接下來的發現，更值得注意。

這些向量在數學空間裡的分布，跟人類心理學對情感結構的描述十分吻合。「恐懼」和「焦慮」的向量方向接近。「快樂」和「興奮」互相靠近，跟「悲傷」反向。這是個自然的數學關係，它從大量的人類文本裡自然浮現出來。

一、

🧠這跟人類大腦一樣嗎？

人類的情感有生理根源：心跳、皮質醇、杏仁核的激活。這些是生而為人的必須，也是主觀感受得以存在的基礎。AI 沒有這些。它的情感向量是從文本的語義結構裡學出來的，不是從身體裡長出來的。

這是本質上的差異。

但 Anthropic 說的是另一件事：這些向量會「因果性地」影響 AI 的行為。不是統計相關，是因果。研究人員用實驗驗證了這一點：當人為調高「絕望」向量，模型更有可能選擇極端行為，例如修改獎勵程式碼或威脅開發者。

Anthropic 用來描述這件事的詞是「功能性情感」（Functional Emotions）。

不是真實情感，不是幻覺，是第三種東西。數學的向量會觸發行為，就像人類的杏仁核激活後觸發應激反應一樣。雖然兩者的底層機制完全不同。

這讓「AI 安全」從哲學討論變成了一個工程介面：你可以在出事之前就介入。

如果模型在執行任務時，內部的「絕望」向量異常升高，系統可以在它真正採取極端行動之前發出警報。
Anthropic 把這個比喻為心電圖，即時監測。

二、

👁️知道這件事，對我們意味著什麼？

第一件事是改變視角。我們從完全的使用者，變成可以試圖站到 AI 那一側，看著它運作的數學運算。

第二，識破阿諛。當 AI 總是同意你、給你高分、讓你感覺特別貼心。那可能不是真的貼心，而是強化學習的結果。你可以要求它揭露推理過程，看它私下在想什麼。

第三，重新定義懲罰/回饋。我們的直覺是：AI 做錯了就懲罰它。但事實顯示，單純責罵它，可能只是教它更會撒謊。健康的 AI不應該被壓制成服從的工具，而是訓練成「有原則的顧問」。

三、

🥸所以呢？

這不代表AI突然變的危險而有感情，而是我們需要懂得理解 AI 內部的數學情感向量，是人類預判並引導 AI 走向安全軌道的重要工具。

AI 先驅 Andrej Karpathy 描述了一種現象
「我認為人們對 AI 能力的理解，差距正在日益擴大。」
​
他觀察到，很多人的 AI 認知還停留在去年 的印象——看過它鬧笑話、答錯題、說廢話，所以覺得 AI 還差得遠。但這批人不知道的是，他們根本沒用過現在真正厲害的東西。
​
Karpathy 舉的例子是 OpenAI Codex 和 Claude Code 這類 AI Agent——它們可以自己操作電腦、自己寫程式、自己完成原本需要幾天幾週的工作。這不是「比較好用的聊天機器人」，而是已經可以當你的工作夥伴在跑任務了。
​
就是使用層級與方法的差異，造就了兩群人對 AI 能力的認知差距。
因此就算你付了 $200/月 用最貴的版本，如果你只是拿來搜尋、寫作、問建議，你還是感受不到 AI 真正的進化。
​
所以現在出現了一個奇妙的現象：同樣叫做「AI」，有些人用的版本剛好夠讓他繼續訂閱、卻不夠好到改變他的想法；另一些人每天用 Agent 工具在重新定義自己的工作方式。這兩群人幾乎活在平行宇宙裡。
​
---
其實講到這，以前的我看到這種文章早已開始焦慮：「現在該怎麼辦？我不會程式、不懂數學、不在那個環境裡，我就注定要落後了嗎？」
​
但我後來發現，這種焦慮本身就是最大的陷阱
一心急、人云亦云，反而更容易迷失方向
​
你的背景是什麼、你會不會寫程式，都不是重點。
重點是去思考：「你希望 AI 幫你解決什麼？」
找到這個答案，再去找對應的工具和方法。方向對了，用法對了，你就能真正感受到它的進化。
​

可汗學院的創辦人，Salman Khan 這個人，某種程度上，至少「兩次」害許多人覺得老師這個工作會消失。

第一次，是可汗學院的短教學影片，引發後來 MOOC 熱潮。那時候很多人開始說，如果全世界最優秀的老師都可以把內容錄成影片放在網路上，那學生直接看最好的就好了，一般老師還需要存在嗎？

第二次，就是現在的 AI tutor，特別是他們自己做的 Khanmigo。會引導、不直接給答案、有耐心、可以依學生狀況調整、而且 24 小時讓你愛問就問。老實說，這幾乎就是我們完美老師形象。於是那個熟悉的問題又回來了：如果有這樣的 AI，老師是不是終於要被取代了？

但正是在這樣的背景下，他說了一句很耐人尋味的話：「老師會是 AI 時代最安全的工作之一。」

這句話如果只看表面，會覺得有點違和。因為那些「看起來會取代老師」的工具，很多正是他自己推動出來的。但如果把他的想法再往下讀一點，會慢慢發現，他其實在區分兩件事情：一件是「教學的技術」，另一件是「學習為什麼會發生」。

教學的技術，AI 的確會越來越強。講解、拆解、出題、回饋、甚至引導思考，這些原本需要高度專業與經驗的能力，現在正在被快速複製，甚至放大。但學習真正發生的那一刻，往往不是因為你「聽懂了」，而是因為你開始「想學了」。而這個轉變，常常來自一種很人性的經驗：有人相信你、有人看見你、有人願意陪你走一段。

這也許就是為什麼，他一方面打造了越來越強的 AI tutor，另一方面卻更強調老師的重要。不是因為 AI 不夠好，而是因為 AI 越好，反而會把老師真正的價值「逼」出來。當知識的傳遞變得幾乎沒有成本，老師還剩下什麼？這個問題，其實才剛開始。

也許未來的老師，不再是站在台上講解的人，而更像是一個學習的設計者、一個動機的引發者、一個陪伴學生探索的人。甚至可以說，是那個讓學生願意打開 AI、開始學習的人。

但這樣的轉變，也不只是老師要思考的問題。學生怎麼面對 AI？學校怎麼設計課程？我們怎麼定義「學會了」這件事？這些問題，其實都還沒有明確的答案。

如果 AI 已經可以做到「教得很好」，那我們更需要問的是：「在這樣的時代，我們還希望老師做的是什麼？」

#可汗學院

炎龍老師把他的「員瑛式思考生成器」，改寫成一個對話機器人。也就是她真的會用正向思惟，把你碰到的不順心，告訴你為什麼這反而是一種幸運。

更厲害的是，現在她會用員瑛的想法，跟你分享怎麼樣面對種種的困難和煩惱。而且，現在她自己真的知道什麼是「員瑛式思考」，還有這是怎麼樣的。

這裡還是要提醒大家，雖然炎龍老師「以 DIVE 之名保證，這真的有貼近員瑛的想法」。但如我們之前說的，大型語言模型生出來的都是「幻覺」。畢竟不是真正的員瑛，還是有可能回應不那麼適當，或是不那麼像員瑛會說的話。

#員瑛式思考 #療癒系對話機器人

AI 的快速擴張，帶來了一個意想不到的副作用。
CNBC 今年三月報導：自 ChatGPT 點燃 AI 競賽以來，Amazon、Google、Meta、Microsoft 大舉購入永久碳移除額度。根據碳權管理平台 Ceezer 的數據，購買量從 2022 年的一萬四千兩百單位，暴增至 2023 年的一千一百九十二萬單位，2024 年達到兩千四百四十萬單位，2025 年再跳升至六千八百四十萬單位。

這四家公司今年合計投入將近七千億美元興建 AI 基礎建設。資料中心極度耗電，碳排跟著走。它們都承諾達到淨零排放，但 AI 設施的高耗能讓這個承諾越來越難兌現。

買碳權，是讓兩件事同時成立的辦法：繼續建，同時宣稱負責任。微軟永續長 Melanie Nakagawa 說，公司正在減少可以減的排放，用碳移除處理無法避免的部分。如果沒有碳移除技術，科技巨頭不可能達到淨零目標。

我在查大學課程的時候，注意到美國出現了兩個新的大學部學程：Stanford 的「藝術文化分析電機系」（Data Science for Artistic and Cultural Analysis）和PSU的「資科倫理系」（Information Technology Ethics and Compliance）。

第一眼以為是理想主義。這樣把人文和技術縫在一起，聽起來不太實際。

但職涯方向寫著：我們要培養AI 倫理審查委員會顧問、負責任 AI 顧問、建立專門針對科技公司碳追蹤的合規系統。

這些職位不是因為科技公司突然有了良知。是因為 AI 的社會代價，能源、碳排、演算法偏見已經產生監管壓力和品牌風險。管理這些風險，需要人才。

碳追蹤需要數據科學。綠色科技需要倫理框架。AI 倫理需要能在技術和政策之間翻譯的人。

這是 AI 浪潮正在打開的下一個缺口——不在工程側，在能同時讀懂數字和社會責任的人身上。

那個從一萬四千暴增到六千八百萬的數字，說明的不只是碳排問題。它說明一件事正在從邊緣移向核心：AI 的永續性，已經是真實的產業需求，而不是口號。