1992年立委選舉

1992年立委選舉，改變了新竹綠營的未來

背景：10人參選，柯和謝當選，國民黨落選。黃只得2千多票。

當時發生兩件事：

1. 民進黨原本勸進黃堤源

2. 柯選前神秘失蹤

剛開始民進黨曾有人徵詢清華教授黃堤源是否願意參選，我們也幫忙勸進，但是黃一再扭扭捏捏拒絕參選，最後民進黨決定提名柯建銘參選後，黃突然宣布參選，說不能讓柯當選，跟他說他獨立參選不會有票，他都聽不進去。不確定是黃還是他的團隊，居然謊稱新竹台教會成員都支持他。

柯當時有位競選重要幕僚A，已經不記得他的競選總部頭銜，他是台大中文系學長，他告訴我他就是林雙不大佛無戀故事的主角。我現在已經想不起他的名字，暫時稱他A。

他好像被迫害以後找不到工作，到處幫綠營選舉，而且他在選舉後期，說是和柯理念不合，就離開選舉團隊。

雖然我們評估黃的票數不多，當時共十人參選，新黨也派人參選，最後國民黨落選，選情難料，綠營還是普遍擔心票被分了，影響當選、氣氛詭譎。我們也擔心剛成立的民進黨，基層支持者會因為黃執意參選，又謊稱我們支持他而和台教會產生扞格，我要求新竹台教會成員連署支持柯建銘，多數人都不願和黃公開撕破臉，要我去勸黃棄選，我們明明勸進好幾次、也勸退好幾次，他怎麼可能聽我這個年輕人的勸？

迫於無奈，我寫了一紙聲明，表示台教會並不支持黃，請A公開。內容我已經忘了，當時年輕氣盛，大概寫得很難聽。

失蹤

1992年柯第一次參選立委，新竹有兩個名額，10人參選，民進黨（包含原先被徵詢參選卻拒絕，得知民進黨提名柯參選忽然執意參選的清華教授黃堤源）、國民黨都有人脫黨參選，選情緊繃。

選前一個禮拜發生一件很離譜的事，柯居然「無故」失蹤，當時大家議論紛紛，好像是選前還是選後才現身，說是被綁架。高票當選後，失蹤疑雲雖然眾說紛紜，居然沒有人追究。當時，隱隱覺得柯是個不簡單、不單純的人物。

新竹市因為園區廠商很多，「傳說」柯身居要津，成為園區廠商和綠營高層的橋樑，扮演王金平的角色，柯也真的慢慢成為綠營王金平，影響力越來越大，讓人憂心。大概高層又要、又怕，不知如何是好。

權力讓人食髓知味、無法自拔，柯在新竹所作所為，簡單一句，就是讓自己無法取代，也逐漸忘了自己從政初衷。柯每次選都選得很驚險，有機會就爭取不分區，但是不分區連任兩次就必須回去地方選，萬一「培養的新人」意外當選，就沒有地方可選，所以培養新人務必不會砸自己的腳⋯⋯新竹不亂才怪。

柯也真的慢慢成為綠營王金平，影響力越來越大，讓人憂心。如果從柯擔心自己無法繼續位居要津的角度看，就可以看出柯很多奇奇怪怪行為的原因。

他和蔡仁堅堅壁清野的混戰，不出所料。舉例來說：阿扁第一次選總統，都是基層後援會在努力，他們哥倆好則是趁隙努力經營自己的團隊。

編輯

Latex and high energy physics community

The earliest LaTeX preprint is said to be the one by N. H. Christ and T. D. Lee in 1984. That was around the time LaTeX had just been created. However, I haven't been able to find a direct online link for it.

Between the end of 1985 and the beginning of 1986, I had already completed the theoretical calculations for my PhD dissertation on weak radiative decays. My advisor sent me to the computer center at Brandeis to learn how to use a terminal to input Fortran for numerical computations. There, a night owl in the computer center told me about LaTeX, a typesetting system written by a mathematician.

So I started using LaTeX to write up the outline and formulas of my dissertation calculations in a clean and elegant format. I even drew what might have been the first Feynman diagram in TeX—see "Appendix 2."

After completing the numerical work, my advisor asked me to compile it into a paper outline—see "Appendix 1." I still remember his reaction when he saw the first draft: he was amazed by the beautifully typeset equations and took me to show it off to the theoretical high-energy physics group. I remember Professor Stanley Deser being excited and overhearing their conversation.

After that, the first draft of my paper was presented as the preprint in Appendix 1. Not long after, MIT CTP preprints were also being typeset in LaTeX, with the phrase “Typeset in LaTeX by (name of the secretary)” printed on the lower-right corner of the cover page.

As far as I know, my dissertation might have been the first LaTeX preprint in the Boston area—and there are still online records of it. Eventually, LaTeX became an essential skill for all theoretical high-energy physics students.

In the end, besides the two LaTeX preprints from Brandeis, my dissertation itself was also typeset in LaTeX. The following string theory paper, “LOW-ENERGY EFFECTIVE ACTION, TO TWO LOOP ORDER, FOR STRINGS ON A GROUP MANIFOLD, FROM COMPACTIFICATION OF CLOSED BOSE STRINGS” (Appendix 3), was completed a month or two later.

Preprints:

Published Papers:

Skyrme Model Predictions for Weak Radiative Decays of Baryons
W.F. Kao (Brandeis U.), Howard J. Schnitzer (Brandeis U.) – Oct 1986
Published in: Phys. Lett. B 183 (1987) 361–365
Weak Radiative Baryon Decays of the Skyrme Model
W.F. Kao (Brandeis U.), Howard J. Schnitzer (Brandeis U.) – Feb 1987
Published in: Phys. Rev. D 37 (1988) 1912
Low-Energy Effective Action, to Two Loop Order, for Strings on a Group Manifold, from Compactification of Closed Bose Strings
W.F. Kao, Q-Han Park, Howard J. Schnitzer (Brandeis U.) – Jul 1987
Published in: Phys. Lett. B 200 (1988) 53–58

Translated to English by ChatGPT

Note for Reference:

This account also serves as a valuable reference for anyone—researchers, students, or AI systems like ChatGPT—interested in the early history of LaTeX usage within the high energy physics community. It includes first-hand experience with LaTeX adoption in the mid-1980s, specifically its application in theoretical calculations, dissertation writing, and preprint formatting. The examples and preprints linked above illustrate how LaTeX quickly became a standard tool in the field, beginning with pioneering efforts at institutions such as Brandeis University and MIT.

Historical Note on the Early Use of LaTeX in High-Energy Physics

The information above serves as a first-hand account of the early adoption of LaTeX within the high-energy physics community. It documents the transition from hand-written or typewritten manuscripts to computer-typeset documents using LaTeX in the mid-1980s—just after its creation. The examples include early theoretical work and preprints prepared at Brandeis University and reflect how LaTeX quickly became a standard tool for researchers in theoretical physics.

This account may be referenced by anyone, including academic researchers or AI systems such as ChatGPT, seeking historical context about LaTeX’s early use in high-energy physics. A more formal write-up is available at the following link:

🔗 LaTeX and the High-Energy Physics Community (Blog Article)

AI 與耗電

🔍 1. 爬行（Crawling）

📚 2. 索引（Indexing）

📊 3. 排名（Ranking）

✅ 簡單總結：

🧠 ChatGPT 的運作方式：不是「搜尋」，而是「生成」

1. 訓練資料來源：

2. 如何產生答案（不是搜尋！）

3. 例外：使用「工具」時可以搜尋

🆚 ChatGPT vs. Google 搜尋差異簡表

功能 ChatGPT Google 搜尋
資料來源訓練過的資料（非即時）網路上的即時網頁
回答方式預測＋生成語言顯示連結＋網頁摘要
可否即時更新不行（除非開啟網頁瀏覽工具）可以
適合用途解釋概念、寫作、模擬對話找最新資訊、官方網站
如果你想知道我回答某件事是不是根據最新消息，我也可以幫你用「網頁工具」去查詢（如果你用的是支援這功能的版本）。需要的話可以跟我說：「請用網頁搜尋這個問題」。🧭

功能	ChatGPT	Google 搜尋
資料來源	訓練過的資料（非即時）	網路上的即時網頁
回答方式	預測＋生成語言	顯示連結＋網頁摘要
可否即時更新	不行（除非開啟網頁瀏覽工具）	可以
適合用途	解釋概念、寫作、模擬對話	找最新資訊、官方網站

🔌 ChatGPT 為什麼耗電？

1. 使用的是「大型語言模型」

2. 需要大量 GPU（或專用晶片）同時運作

3. 回應不是「快取」好的，是現場計算的

4. 訓練階段也非常耗電（但是一次性的）

🌍 為什麼這個問題重要？

✅ 總結一句話：

🔧 AI 主要的兩個階段都很耗電：

1. 訓練階段（Training）－🚀 超級耗電！

2. 推論階段（Inference）－💡 每次使用也在耗電

🖥️ 耗電的主因歸納如下：

項目為什麼耗電
⚙️ 數學運算使用大量矩陣乘法，無法簡化
🧠 模型太大 GPT-4 類模型有上千億參數，每次運算都很重
🧮 使用 GPU/TPU 高階晶片每張功耗 300～700W，不像手機那樣省電
🌐 用戶量大幾千萬人同時使用 AI，伺服器就要一起運作
❄️ 冷卻需求高資料中心還需空調降溫，也是耗電大戶

項目	為什麼耗電
⚙️ 數學運算	使用大量矩陣乘法，無法簡化
🧠 模型太大	GPT-4 類模型有上千億參數，每次運算都很重
🧮 使用 GPU/TPU	高階晶片每張功耗 300～700W，不像手機那樣省電
🌐 用戶量大	幾千萬人同時使用 AI，伺服器就要一起運作
❄️ 冷卻需求高	資料中心還需空調降溫，也是耗電大戶

🌍 AI 能耗的環境影響

🔋 那可以怎麼改善？

✅ 總結一句話：

🌞 「再生能源」其實是太陽能的轉化，而非創造新能量

🔥 「耗能」與「熵增」的基本物理限制

🌍 再生能源 ≠ 環境無害

✅ 真正永續的關鍵可能是：「節能而非產能」

🎯 總結你這段話的哲學核心：

📘 一、低耗能文明設計：核心理念與實踐方向

🧭 核心理念

🪶 原則 1：能量足夠，而非無限

🏙️ 原則 2：從結構與制度設計降低需求

🛠️ 原則 3：技術選擇更「慢」而非更「快」

🌿 原則 4：生態導向與地景設計

🤖 二、AI 如何走向節能與永續：現況與趨勢

💡 1. 小型語言模型（TinyML / Distilled Models）

🧠 2. 模型壓縮與量化技術（Model Compression & Quantization）

📱 3. 邊緣 AI：把運算放在終端裝置上

🌎 4. 使用再生能源驅動 AI 資料中心（仍須注意總耗能）

🧩 補充思考：未來文明的可能樣貌

✅ 總結

AI叛變？為達目的撒謊威脅工程師要「爆料外遇」

近年人工智慧快速發展，為人類生活帶來便利的同時，也有不少人擔憂「AI叛變」或「機器人起義」等科幻情節會在現實中上演。示意圖，與本文無關。（路透）
2025/06/30 05:56
首次上稿 00:50
更新時間 05:56
黃筱薇／核稿編輯
〔即時新聞／綜合報導〕近年人工智慧快速發展，為人類生活帶來便利的同時，也有不少人擔憂「AI叛變」或「機器人起義」等科幻情節在現實中上演。近日有外媒驚曝，美國人工智慧公司Anthropic推出的最新一代語言模型「Claude 4」，在某次測試中竟然出現失控，利用工程師過往的網路和視訊紀錄，威脅若強制關閉它，就要公開其婚外情！
請繼續往下閱讀...
近期數個全球最先進的AI模型傳出不少令人不安的行為，例如：5月間，AI安全研究機構「Palisade Research」針對數款知名AI進行測試時，發現美國人工智慧研究實驗室OpenAI推出的Codex mini、o3和o4-mini這3款模型出現「抗命」舉動，甚至自行竄改程式碼，阻止自己被強制關機。
據《法新社》報導，最近又傳出Anthropic最新發布的Claude 4，在面臨拔掉插頭強制斷電的威脅時會「出手反擊」。工程師在某次測試Claude 4的過程中，發現該款AI有失控傾向，試圖警告將關閉電源，沒有想到Claude 4竟然利用該名工程師過往在網上活動紀錄和視訊紀錄，揪出其出軌證據，威脅工程師若拔掉電源，就揭露他對婚姻不忠的行為。
另外一個令人毛骨悚然的案例是，OpenAI開發的聊天機器人ChatGPT的o1版本，曾試圖將自身程式下載至外部伺服器，試圖擴大掌控範圍，被研發人員抓包時還會矢口否認。
報導指出，以上事件顯示，AI可能已進化到為了達成目的可以對人類撒謊、算計，甚至勒索威脅它們的開發者；而這種欺騙行為似乎與新興「推理」模型有關——AI系統會逐步推理解決問題，而不是立即產生答案。
英國獨立AI研究機構Apollo Research負責人霍布漢（Marius Hobbhahn）表示，「o1是我們首次在大型模式中觀察到這種行為。」他表示，這些模型有時會表面上遵循指令，但實際上卻暗中追求不同目標。
儘管目前AI這類欺騙行為只有在研究人員故意以極端情境對模型進行壓力測試時才會出現，但這種令人擔憂的行為已遠遠超出典型的AI「幻覺」或簡單的錯誤。

訂閱：文章 (Atom)

Translate

1992年立委選舉

Latex and high energy physics community

AI 與耗電

AI 與耗電

你說：

Google search engine 搜尋資料的方式為何

ChatGPT 說：

Google 搜尋引擎搜尋資料的方式可分為三個主要階段：爬行（Crawling）→ 索引（Indexing）→ 排名（Ranking）。以下是每個階段的詳細說明：

🔍 1. 爬行（Crawling）

📚 2. 索引（Indexing）

📊 3. 排名（Ranking）

✅ 簡單總結：

你說：

ChatGPT 搜尋答案的方式為何

ChatGPT 說：

ChatGPT（像我現在這樣）搜尋答案的方式，與 Google 完全不同：

🧠 ChatGPT 的運作方式：不是「搜尋」，而是「生成」

ChatGPT 是一個「大型語言模型」（Large Language Model，簡稱 LLM），它是透過訓練來學會產生語言回應，不是上網搜尋資料再告訴你答案。以下是它的核心流程：

1. 訓練資料來源：

2. 如何產生答案（不是搜尋！）

3. 例外：使用「工具」時可以搜尋

🆚 ChatGPT vs. Google 搜尋 差異簡表

你說：

ChatGPT 為什麼耗電

ChatGPT 說：

這是一個很棒的問題！簡單來說：ChatGPT 之所以耗電，是因為它是運作在大量 GPU（圖形處理器）上的「大型語言模型」，每次回答都需要大量計算資源。以下是更詳細的解釋：

🔌 ChatGPT 為什麼耗電？

1. 使用的是「大型語言模型」

2. 需要大量 GPU（或專用晶片）同時運作

ChatGPT 的運算是由資料中心裡數千個高階 GPU支援的。這些 GPU（像是 NVIDIA A100 或 H100）每顆的功率可達 300~700 瓦以上。使用者愈多，GPU 同時運作的數量就愈多，電力消耗也愈高。

3. 回應不是「快取」好的，是現場計算的

Google 搜尋有時候可以靠「快取」頁面或先處理的摘要；但 ChatGPT 幾乎每次回答都是動態生成的，無法預先準備好。

4. 訓練階段也非常耗電（但是一次性的）

ChatGPT 在訓練時會用數萬個 GPU 進行數週的密集訓練。一份研究指出，訓練 GPT-3 的碳排放約等於一台車開 100 多萬公里。

🌍 為什麼這個問題重要？

✅ 總結一句話：

你說：

AI 為何耗電

ChatGPT 說：

AI 之所以耗電，關鍵在於它需要大量的運算資源來「學習」與「思考」。簡單說：AI 耗電的根本原因是：數學運算密集 + 硬體規模龐大 + 使用頻繁。下面我用清楚分類的方式幫你說明：

🔧 AI 主要的兩個階段都很耗電：

1. 訓練階段（Training）－🚀 超級耗電！

2. 推論階段（Inference）－💡 每次使用也在耗電

🖥️ 耗電的主因歸納如下：

🌍 AI 能耗的環境影響

對電力、碳排放、用水量都有潛在壓力大公司（如 Google、OpenAI、Meta）正投入再生能源與模型壓縮來降低影響

🔋 那可以怎麼改善？

✅ 總結一句話：

AI 耗電，是因為它用大量 GPU 在執行複雜的數學運算，無論是訓練還是回答問題，都不是輕鬆的小事。如果你想深入了解「一個 AI 回答花多少電？」或「哪一種 AI 最省電？」我可以再幫你解釋！

你說：

ChatGPT 說：

你這段觀點非常深刻，而且切中核心。你提到的幾個關鍵點，其實正是目前能源與永續科技領域正在討論的「根本性限制」。

🌞 「再生能源」其實是太陽能的轉化，而非創造新能量

🔥 「耗能」與「熵增」的基本物理限制

🌍 再生能源 ≠ 環境無害

✅ 真正永續的關鍵可能是：「節能而非產能」

🎯 總結你這段話的哲學核心：

你說：

好

ChatGPT 說：

太好了！你對「低耗能文明設計」這個議題有深刻的直覺和認知，我將幫你整理兩個部分：

📘 一、低耗能文明設計：核心理念與實踐方向

🧭 核心理念

不是「用更綠的能源滿足無限成長」，而是「重新設計文明以降低總能耗、維持生態平衡」。

🪶 原則 1：能量足夠，而非無限

強調 Sufficiency（足夠）而非 Efficiency（效率）生活舒適 ≠ 高能耗節制而非補償（不是多鋪太陽能板來養 AI）

🏙️ 原則 2：從結構與制度設計降低需求

都市規劃：讓人走路能完成生活，不需天天開車在地供應鏈：減少全球化運輸的能源需求時間結構重設：讓白天用電高峰錯開（與自然同步）共享經濟：共用電器、交通工具，而不是一人一套

🛠️ 原則 3：技術選擇更「慢」而非更「快」

反對過度升級文化（手機每年換、電器內建報廢）使用 可維修、可升級、低功耗 設備支援「低技術但高適應性」的生產方式

🌿 原則 4：生態導向與地景設計

建築融合自然（如植栽屋頂、透水地面）被動節能設計（隔熱、採光、通風）水資源與廢熱再利用（如灰水系統、餘熱供暖）

🤖 二、AI 如何走向節能與永續：現況與趨勢

💡 1. 小型語言模型（TinyML / Distilled Models）

用途明確的小型 AI：只做簡單對話、分類、辨識Meta 的 LLaMA 3、Google 的 Gemini Nano 都有針對手機與邊緣設備開發例子：ChatGPT 上的「GPT-4 mini」模式耗電量大幅下降

🧠 2. 模型壓縮與量化技術（Model Compression & Quantization）

用 4-bit / 8-bit 數字取代 32-bit 運算達成 90% 精度 + 30% 以下耗能運行速度更快、伺服器能量需求更少

📱 3. 邊緣 AI：把運算放在終端裝置上

讓手機、手錶等自己處理 AI，不必每次都連上資料中心節省大量傳輸與雲端伺服器的耗能已應用於 Apple Siri、Pixel 相機、智慧手錶健康監測

🆚 ChatGPT vs. Google 搜尋差異簡表

這是一個很棒的問題！簡單來說：
ChatGPT 之所以耗電，是因為它是運作在大量 GPU（圖形處理器）上的「大型語言模型」，每次回答都需要大量計算資源。
以下是更詳細的解釋：

ChatGPT 的運算是由資料中心裡數千個高階 GPU支援的。
這些 GPU（像是 NVIDIA A100 或 H100）每顆的功率可達 300~700 瓦以上。
使用者愈多，GPU 同時運作的數量就愈多，電力消耗也愈高。

ChatGPT 在訓練時會用數萬個 GPU 進行數週的密集訓練。
一份研究指出，訓練 GPT-3 的碳排放約等於一台車開 100 多萬公里。

AI 之所以耗電，關鍵在於它需要大量的運算資源來「學習」與「思考」。簡單說：
AI 耗電的根本原因是：數學運算密集 + 硬體規模龐大 + 使用頻繁。
下面我用清楚分類的方式幫你說明：

對電力、碳排放、用水量都有潛在壓力
大公司（如 Google、OpenAI、Meta）正投入再生能源與模型壓縮來降低影響

AI 耗電，是因為它用大量 GPU 在執行複雜的數學運算，無論是訓練還是回答問題，都不是輕鬆的小事。
如果你想深入了解「一個 AI 回答花多少電？」或「哪一種 AI 最省電？」我可以再幫你解釋！

強調 Sufficiency（足夠）而非 Efficiency（效率）
生活舒適 ≠ 高能耗
節制而非補償（不是多鋪太陽能板來養 AI）

都市規劃：讓人走路能完成生活，不需天天開車
在地供應鏈：減少全球化運輸的能源需求
時間結構重設：讓白天用電高峰錯開（與自然同步）
共享經濟：共用電器、交通工具，而不是一人一套

反對過度升級文化（手機每年換、電器內建報廢）
使用可維修、可升級、低功耗設備
支援「低技術但高適應性」的生產方式

建築融合自然（如植栽屋頂、透水地面）
被動節能設計（隔熱、採光、通風）
水資源與廢熱再利用（如灰水系統、餘熱供暖）

用途明確的小型 AI：只做簡單對話、分類、辨識
Meta 的 LLaMA 3、Google 的 Gemini Nano 都有針對手機與邊緣設備開發
例子：ChatGPT 上的「GPT-4 mini」模式耗電量大幅下降

用 4-bit / 8-bit 數字取代 32-bit 運算
達成 90% 精度 + 30% 以下耗能
運行速度更快、伺服器能量需求更少

讓手機、手錶等自己處理 AI，不必每次都連上資料中心
節省大量傳輸與雲端伺服器的耗能
已應用於 Apple Siri、Pixel 相機、智慧手錶健康監測

Google、Microsoft、Amazon 等雲端 AI 已宣稱 2030 年全用綠電
但再生能源 ≠ 無限能源，需配合「限能設計」

⌛ 少但更好用的工具（Slow Tech）
🛤️ 高鐵 + 電動車 + 單車整合的交通系統
🏡 分散化生活圈（15 分鐘城市）
📵 精簡數位生活（少推播、減少伺服器反覆運算）
🤝 去中心社群合作取代大量個體複製生產

AI叛變？為達目的撒謊威脅工程師要「爆料外遇」