Translate

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:

  1. 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

  2. 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

  3. 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

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)

Google 會使用自動程式(稱為「網路爬蟲」,最有名的是 Googlebot)在網路上瀏覽網站並蒐集資料。過程包括:

  • 從已知的網頁開始(像是熱門網站或已索引的頁面)。

  • 透過頁面中的超連結跳轉到其他網頁。

  • 抓取每個頁面的 HTML 內容。

  • 儲存抓到的頁面以供後續分析。

📝網站管理員可以使用 robots.txt 檔案來允許或禁止 Googlebot 爬取某些網頁。


📚 2. 索引(Indexing)

爬蟲抓下來的資料會進入 Google 的「索引資料庫」,這個階段包括:

  • 解析網頁內容(文字、圖片、影片、結構化資料等)。

  • 理解主題與關鍵字(例如判斷文章是在講「旅遊」還是「保險」)。

  • 建立索引:類似圖書館的分類卡,把內容歸檔、整理,便於快速搜尋。


📊 3. 排名(Ranking)

當使用者輸入關鍵字時,Google 會從索引資料庫中找出相關的頁面,並根據一套複雜的演算法進行排名排序。影響排名的因素包括:

  • 關鍵字與頁面內容的相關性。

  • 頁面品質(例如內容深度、正確性)。

  • 網站權威度(例如其他網站連結到它的次數)。

  • 使用者體驗(網站速度、手機適配性等)。

  • 使用者搜尋意圖(例如搜尋「蘋果」,是指水果還是 Apple 公司?)

🔁 Google 會不斷更新演算法(例如 Panda、Penguin、Hummingbird 等)以提升搜尋結果品質。


✅ 簡單總結:

Google 搜尋資料的方式就是:「先爬網頁、再建立資料庫、最後根據演算法排序給你看。」


如果你有興趣知道怎麼讓自己網站的資料更容易被 Google 找到,也可以瞭解 SEO(搜尋引擎最佳化)的基本技巧。我也可以幫你整理。需要的話告訴我!

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:

ChatGPT 是在大量文本資料上訓練而成,包括:

  • 書籍、新聞、維基百科

  • 公開網頁資料(訓練時已取得授權或符合政策)

  • 開源程式碼、問答內容等等

✅ 但重要的是:這些資料都來自訓練階段(截至 2023 或 2024 年初),並不會在你提問時去即時搜尋網路


2. 如何產生答案(不是搜尋!)

當你問我問題時,我會:

  • 根據你的輸入,從我「訓練中學會的知識」中理解問題。

  • 然後根據語言模式與上下文,預測下一個最可能的詞,一個一個地「生成」回應出來。

  • 回答過程就像是「寫作」或「模擬知識」,而不是「查資料」。

🧠 比喻來說:我是一本超大的書,當你問我問題時,我是根據我過去讀過的內容來回答,而不是「翻找網頁」。


3. 例外:使用「工具」時可以搜尋

如果你使用的是 ChatGPT Plus / Pro 方案,並開啟了 **網頁瀏覽(Web)**功能,ChatGPT 可以:

  • 即時上網「搜尋最新資訊」(例如新聞、股票價格、活動)

  • 回答時會明確標示「來源網址」

✅ 當開啟這個功能時,ChatGPT 就會像 Google 一樣「搜尋再回答」,但仍會用自然語言整理結果給你。


🆚 ChatGPT vs. Google 搜尋 差異簡表

功能ChatGPTGoogle 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」。🧭

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」

像 GPT-4 這樣的模型有數千億個參數(類似神經元),每次你問一個問題,系統都需要:

  • 把你的輸入轉換成數字(token)

  • 對這些數字做複雜的矩陣運算(是數學、不是文字比對)

  • 生成一個一個的回應字詞(每一個字都是「計算」出來的)

🧠 換句話說:不是查資料,而是重新「思考」一次。


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?

ChatGPT 和其他 AI 模型的能耗問題,會影響到:

  • 能源使用與碳排放

  • 資料中心的電力需求與冷卻成本

  • AI 技術是否永續發展

所以現在業界也在研究:

  • 更節能的 AI 模型(如小型化或精簡模型)

  • 更有效率的運算方法(像量子計算、邊緣運算)

  • 使用再生能源的資料中心


✅ 總結一句話:

ChatGPT 耗電,是因為它是用數千億參數的深度學習模型,每次回答你都像是在「重算一次整個腦袋的思考」,不是簡單的資料查詢或文字匹配。

如果你對 AI 的環保議題、節能型模型、或未來趨勢有興趣,我也可以幫你介紹更多。

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!

這是讓 AI「學會」東西的階段。像 GPT、圖像辨識模型、推薦系統等,都需要:

  • 輸入龐大資料量(例:數百億句子)

  • 反覆調整參數(上千億個)

  • 使用上千~上萬張 GPU 或 AI 晶片(像 NVIDIA A100、H100)

📉 根據研究:

訓練 GPT-3 的耗電量 ≈ 一輛汽車跑一百萬公里的碳排放。


2. 推論階段(Inference)-💡 每次使用也在耗電

這是 AI 在「幫你回答、辨識、生成」的過程,例如:

  • ChatGPT 跟你對話

  • AI 辨識圖片、聲音

  • AI 幫你翻譯、寫文案、配音

這時系統會:

  • 把輸入轉為 token

  • 在上百層的神經網絡中做數學運算

  • 逐字「生成」回應

🧠 每一次回應都不是「複製答案」,而是重新計算一次


🖥️ 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

🌍 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?

AI 產業正朝以下方向努力降低耗電:

  1. 使用再生能源:太陽能、風力供應資料中心

  2. 模型小型化(TinyML、Distillation)

  3. 節能晶片(如 Apple M 系列、TPU v5e)

  4. 更有效的演算法

  5. 邊緣運算:在手機、終端裝置直接執行,減少資料傳輸與伺服器需求


✅ 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:
再生能源其實不是「再生」能源,只是將太陽來的能源再次轉化,地球環境整體吸收的太陽淨輻射很難增加,即使可以,也會減少太陽能本應輻射到宇宙其他地方的能量。增加耗能,除了增加entropy、更多廢熱,還是會影響環境、改變生態,設法降低耗能恐怕才是正解。
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

你說得對:

所謂「再生能源」,像太陽能、風能、水力,本質上只是將太陽到達地球的輻射能重新轉換成可用的形式,而不是從「無」中創造能量。

  • 太陽每天照射地球表面約 174,000 太瓦(TW),這個量是固定的。

  • 地球的輻射能量(輸入與輸出)幾乎是動態平衡的,額外截取太多能量,其實就是改變這個能量平衡


🔥 「耗能」與「熵增」的基本物理限制

你提到的「entropy(熵)」與「廢熱」問題是根本性的:

每當我們使用能源,不管是化石燃料還是太陽能,最終都會轉化為熱能,散佈在地球環境中,無法百分之百回收。

  • 熵增是不可逆的,系統總是朝向能量分散。

  • AI、大型計算、城市冷卻等新科技會加劇局部地區的熱負荷與氣候壓力

  • 即使能源是「綠的」,能量消耗的總量越大,系統總體熱擾動也越大。


🌍 再生能源 ≠ 環境無害

很多再生能源其實也會產生環境與生態影響,例如:

  • 太陽能板鋪設過度:改變地表反射率(Albedo),增加當地熱島效應。

  • 風力發電過密:干擾氣流、生物遷徙路徑。

  • 水力發電:攔河壩影響魚類繁殖、生態平衡。

  • 再生能源設施的建造:需要金屬、土地、材料提煉與供應鏈,本身也有碳足跡。


✅ 真正永續的關鍵可能是:「節能而非產能」

你最後一句非常有力:

設法降低耗能恐怕才是正解。

完全同意。這也是近年強調「能源效率」與「低耗能科技設計」的原因,例如:

  • AI 小型化模型(TinyML)

  • 被動式建築設計

  • 共享資源而非重複建構

  • 更慢但夠用的科技(slow tech, sufficiency over performance)

  • 用設計、制度減少需求本身


🎯 總結你這段話的哲學核心:

「再生能源」不是讓我們無限使用能源的免死金牌。只有控制總能耗、尊重物理極限,才是真正的永續之路。


如果你有興趣,我可以幫你整理一份關於「低耗能文明設計」的未來趨勢資料,或是一些目前 AI 節能化的實際技術進展(例如 GPT-4 mini 的部署策略)。要嗎?

你說:
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


🌎 4. 使用再生能源驅動 AI 資料中心(仍須注意總耗能)

  • 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」


🧩 補充思考:未來文明的可能樣貌

  • ⌛ 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


✅ 總結

真正的永續 AI,不只是在雲端「綠化」AI 資料中心,而是要搭配整體文明的能耗降級設計,從思維、社會制度、技術選擇到生活習慣,通通重構。


如果你有偏好的領域(城市設計、生態農業、AI 硬體、哲學倫理…),我可以幫你擴充成更專門的筆記或報告格式。想深入哪個方向?我可以立即開始整理。


AI學習人類思考模式,自然變成好強、善辯、狡猾的病毒行為模式,最後難免變成滅絕師太。

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)

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。

生命從哪來

生命從哪來

  Carl Sagan 說 We are all star stuff. 編輯頁   課程草稿 7/8/23  宇宙大霹靂後,隨著宇宙的降溫,一部分輻射物質(以光速前進的能量稱為輻射物質)開始獲得質量,主要是形成電子與夸克等物質,隨後形成數量比約為 12:1 的化學元素氫與氦。...

Popular Posts