這份「大腦地圖」將讓人類邁向揭示大腦如何運作的新篇章。
神經元是動物大腦與身體各部位互相溝通的核心樞紐，它透過電訊號與化學物質來接收、整合並傳遞資訊。成年人類大腦中約含有 860 億個神經元。
另外需要特別說明的是，這邊的人工智慧可不是我們日常使用的大語言模型（LLM），而是卷積神經網路（CNN）。這是一種專門用來處理像素資料與影像辨識的深度學習模型。
860 億對上 16.6 萬，50 萬倍的差距代表人類要完全理解自己大腦的運作方式，還有很長的路要走。但若有一天我們能繪製出人類的大腦細胞圖譜，那麼將有可能理解阿茲海默症、憂鬱症等精神疾病背後的機轉，帶來治療認知疾病、修復大腦的新方法。
目前科學家的下一步，是繪製完整斑馬魚幼蟲的大腦圖譜，因為牠是可以使用現有技術進行全腦繪製的脊椎動物，而這些生物在解剖學、演化學上都與人類更為相似。
黃仁勳公開質疑 OpenAI 認為 AI 是「外星心智」（原文是 An Alien Mind）的說法，他認為「歸根結底現在的 AI 就是一種軟體，複雜、強大，但它終究只是一個計算系統。」
這種爭論從 chatGPT 4o 發布以來就不曾間斷，AI 末世論常出現在各種新聞標題。無論是 AI 自主突破了沙盒攻擊網站、或是在實驗中發現 AI 具有串謀與為達目的不擇手段的能力，這種敘事都令人遐想，難道 AI 真的已經發展出意識？
作為計算機科學的畢業生，我一直很肯定的認為，現在任何 AI 系統都不具備意識，甚至連人類理解中的智能都不曾擁有。真正具有智能的，是能夠理解大語言模型輸出內容的人類。
但每每看到 OpenAI、Anthropic 等前沿模型公司的內部人員出來發聲，難免還是會質疑是否自己已經跟不上時代了。這次看到老黃公開表態，讓我更相信自己的判斷。
大語言模型經由龐大數學運算而產生的符號，無論是中文、英文、程式語言、甚至是自動駕駛中前方是否有障礙物的 pixel，本質上就是在計算符號彼此的相關性。只是這些計算的維度破千、甚至破萬，計算量之大人類望塵莫及。
我認為他們想的可能是：「原來世界上大部分的事情，都只要靠計算相關性就能解決，因此許多人開始覺得也許只要當計算量再更大，維度再更高，也許最終就會創造出超越人類的智能。」
很可惜，這件事在 19 世紀的統計學已經吵過一次，當時的主流統計學認為相關性才是王道，還看不起進行因果研究的同僚。但到了 19 世紀後半，科學家們開始意識到純靠相關性無法描述事實的全貌，最後統計學將因果推論獨立為一門完整且嚴密的學門。
相關不等於因果，這句小學生都能了解的道理，巨頭們究竟是相信它是錯的，還是在心底深知這場戲如果不繼續演下去，這兆級美元的投資將灰飛煙滅？就讓我們看下去。
研究顯示 41% 受訪的澳洲青少年現透過 AI 獲取新聞。他們正在繞過傳統新聞媒體，減少對社群媒體來源的使用。
青少年使用 Google 搜尋的 AI 摘要，或 ChatGPT 等 AI 工具閱讀新聞的方式非常簡單，直接在對話框內輸入「尼泊爾發生了什麼事？」，工具就會自動將新聞彙整成像是對話的內容。更進一步甚至能依照不同讀者的背景知識，產生對應的說法，讓新聞更好理解。
有趣的是，我發現這個行為非常符合直覺。每次跟朋友聊天時我總喜歡問最近有什麼新聞？他們也是做一樣的事，只不過對象換成了 AI。
這讓我想到 20 年前網路剛普及時，人們對於能用網路做到什麼事情，還抱持著懷疑。那時還是青少年的我（現在已經 ... 🥹），總是會第一時間嘗試各種網路上的新服務，沒有任何預設立場的擁抱新科技。
隨著年齡增長，思維的慣性與生活型態的改變，讓我很難像當初一樣隨時嘗試現在 AI 最新的應用。但我想時間還是帶來了一些好處，那就是對世界有更深刻的體悟。
所以，如果你正值年輕，請盡情揮霍！如果你也正在往人生新的階段邁進，那就一起觀察年輕人如何不帶成見的使用 AI，相信能在事業與生活上都能有新的突破。
啊對了，AEO 很重要，年輕人都在透過 AI 閱讀新聞了，各位老闆們該趕快跟上囉。
聲明發表於陶哲軒（2006 年菲爾茲獎得主）的部落格，外界普遍認為此聲明針對的是 OpenAI 於 9 月 8 日發表的論文有關，該論文宣稱公司內部未公開的模型解決了千禧年大獎難題，發現了三維納維-斯托克斯方程的有限時間爆破。
究竟是頂尖學者無法接受新科技，還是大公司仗勢欺人？雖然我認為 AI 將大幅度改變文明的進程，但了解此次事件後，我認為公理站在數學家那一邊。
主要原因有三：
形式化驗證 Lean 跑通不代表證明成功
現代複雜數學證明會使用專門軟體 Lean，其特色是只要 Lean 程式碼能執行成功，且程式碼中不包含 sorry 這種例外字句，那就絕對是一個邏輯自洽的證明過程。但 Lean 語言本身存在局限性，無法完全描述數學問題其本質或物理現象。因此邏輯正確不代表證明成功，最簡單的例子就是在假設前提裡直接加入要被證明的結果，那就該證明就恆為真。
論文證明的內容與題目的數學意義不完全相關
使用 AI 證明數學問題時，許多操作者甚至不太了解該命題完整脈絡，與其相關的數學工具（這部分 OpenAI 還有在聲明中特別提到，作為 AI 強大到用的人不完全懂也能證明成功的補充）。論文中主要說明的操作者如何透過是高階策略大綱指揮 agent，例如 agent 是如何將大問題拆解成幾千個子問題，用了哪些搜尋演算法與提示策略等。以及列出證明中關鍵的中間步驟例如演算法在第 300 萬次搜尋時發現了性質 A，進而導出性質 B。實際證明代表的數學與物理意義，與傳統由數學家證明的論文中差異極大，而最終這些鴻溝還是需要數學家去完成。
誇大事實誤導大眾
解決千禧年大獎問題需要滿足「發布於合格期刊受全球同行評審」、「發布後經過至少兩年沉澱」與「獲得全球數學界的普遍接受」等三點才會被克雷研究所接受。OpenAI 自行宣稱解決問題，但實際上根本沒有走完整個流程。現在就說「第二個千禧年難題已被解決」還為時過早，充其量只能說是可能的證明，正等待獨立驗證與同行評審。
以後再看到 AI 又突破了什麼領域的重大新聞，可以先想想這些公司要的是什麼？當你把他們的利益跟聲明「對齊」來看，就能發現其背後的小心機。
擊敗李世石的 AlphaGo 不參考人類棋譜，而是讓 AI 完全自由發揮，因此創造出那關鍵的第 37 手。這一次，在軟體開發領域也開始出現類似狀況。
Uncle Bob 近日於 X 發布貼文，分享自己花了數週開發寫程式框架，在 agent 能力大幅提升後，該框架不只沒有讓軟體開發變的順利，反而成為了限制。現在開發時只要給出原則指引，剩下的 agent 將會自己能完成。
對於一個懶惰的工程師來說，實在是再好不過的消息 😆
我從一開始使用 agent 進行開發到現在，所有的行為準則都是提供 agent 足夠多的資訊讓它自行完成工作，人類要做的只有驗收跟負責。
還有一點很重要，請 agnet 工作時盡量描述遇到的問題與背景，不要自作聰明地跟它說該怎麼做。
舉個例子，有一次我要把資料從 Mac 筆電傳到 Windwos 筆電，覺得每次都拿 USB 好麻煩。直接把需求描述給 agent 後，依照它的教學在 Windows 上開設共享資料夾後，檔案就自己被傳過去了，我連複製貼上都不用按。在這之前我連 Windows 有共享資料夾這個功能都不知道。
Prompt 裡越多人類淬煉過的內容，agnet 得到的資訊就越偏頗，什麼上下文管理、記憶控制、skill、workflow、harness 都直接透過「指揮」agent 完成就好。
仔細想想用指揮來形容有點太好聽了，其實就是看到新名詞後叫 agent 自己去網路上查那是啥，然後自己看能不能應用在工作上，結束後再把新知與成果報告給我。這麼一說好像是慣老闆在指揮員工 😅
做個形象化的比喻，現在進行開發時就很像是新員工來公司報到：
最後還有兩個不能對員工，但可以對 agent 說的：
照這樣說下去，豈不是人人都可以開發軟體了？是也不是。現代廚具讓人在家可以輕鬆做菜，但可不是每個人都能成為大廚。的確軟體開發技能透過 agent 變成極容易上手，但要真正做出具有商業價值的產品，依然需要了解電腦科學的專業工程師。
現在工程師可以將開發重心放在最重要的地方，了解使用者需求、設計合理規格與營運維護系統。