第一堂課：AI 是什麼？

Lesson 1: What Is AI?

ACE — AI Competency Excellence · ATOMS AI Literacy Group, IAMS

IAMS AI 使用規範（一）：七大指導原則

IAMS AI Guideline — Seven Guiding Principles (ATOMS v1.0 · 2026/04)

1

正確性與品質管控

所有 AI 產出須人工驗證，不得未經獨立查核直接採用

Accuracy & Quality Control

All AI outputs must be verified by humans; never adopt without independent review

2

隱私保護與資訊安全

機密、敏感、個人資料不得輸入外部 AI 系統；遵守個資法（PDPA）

Privacy & Information Security

Confidential, sensitive, or personal data must not be entered into external AI systems; comply with PDPA

3

透明與揭露

研究或行政流程中實質使用 AI 須依機構及出版社規定記錄與揭露

Transparency & Disclosure

Substantial AI use in research or admin processes must be documented and disclosed per institutional rules

4

問責與責任

研究人員及職員對所有 AI 輔助產出負完全責任；AI 系統不得列為作者

Accountability & Responsibility

Staff and researchers bear full responsibility for all AI-assisted outputs; AI may not be listed as author

5

公平與不歧視

使用 AI 時應避免在研究設計、資料分析及行政決策中產生偏見或歧視

Fairness & Non-Discrimination

Avoid generating bias or discrimination in research design, data analysis, or administrative decisions

6

資安與安全

涉及敏感任務時，僅得使用經機構核准或審查之 AI 工具；使用前評估安全性

Cybersecurity & Safety

For sensitive tasks, use only institution-approved AI tools; assess security risks before use

7

研究誠信與倫理

AI 使用須符合既有研究倫理標準；透過 AI 工具造假、竄改或抄襲，構成研究不端行為

Research Integrity & Ethics

AI use must meet existing ethics standards; fabrication, falsification, or plagiarism via AI is misconduct

IAMS AI 使用規範（二）：行政使用範例

IAMS AI Guideline — Administrative Use Examples (ATOMS v1.0 · 2026/04)

✅ 許可使用 / Permitted Uses

• 例行公文草擬（標準作業 / Standard practice）

Drafting routine communications

• 文件排版與範本製作（標準作業 / Standard practice）

Document formatting & template creation

• 行政文件翻譯（須驗證正確性 / Verify accuracy）

Translation of administrative documents

• 會議紀要草擬（分發前須核實 / Verify before distribution）

Meeting summary drafting

⚠️ 限制使用（須核准） / Restricted Uses — Require Approval

• 含人事資料之文件處理 — 僅限 IT 安全部門核准之工具

Processing documents with personnel data — IT Security-approved tools only

• 財務文件編製 — 僅限 IT 安全部門核准之工具

Financial document preparation — IT Security-approved tools only

🚫 禁止使用 / Prohibited Uses

• 人事考核、聘用、晉升之自動化決策

Automated decision-making on personnel evaluations, hiring, or promotions

• 機密或保密性機構資料輸入外部 AI 系統

Inputting classified or confidential institutional data into external AI

• 未經人工審核即以 AI 發布機構正式聲明

Using AI to generate official institutional statements without human review

📋 完整規範另涵蓋：研究活動許可/限制/禁止 · 資料保護細則 · 研究誠信與出版 · 代理式 AI 系統 — 由 ATOMS 工作小組提供

「做 AI」不只一種意思

"Doing AI" Means Very Different Things

1

基礎研究

Basic Research — Inventing new architectures (e.g. Transformer)

發明新架構，例如 Transformer

2

模型訓練

Model Training — Training foundation models from scratch (e.g. GPT, Gemini)

從零訓練大模型，例如 GPT、Gemini

3

微調

Fine-tuning — Adapting a model with domain-specific data

用自己的資料調整現有模型

4

應用整合

Application Integration — Combining existing tools into working products

把現成工具組合成產品

★ 今天的重點

5

使用者

End User — Using ChatGPT, writing prompts, daily workflows

使用 ChatGPT 等工具，寫 prompt

★ 今天的重點

這些詞是什麼關係？

AI / ML / Neural Networks / LLM — How Do They Relate?

AI / 人工智慧 (Artificial Intelligence)

Machine Learning / 機器學習

Deep Learning / Neural Networks / 深度學習・神經網路

LLM

大型語言模型

ChatGPT · Claude · Gemini · TAIDE

★ 今天的主角

AI / 人工智慧

讓機器展現出「聰明」行為的最大概念

The broadest idea: making machines act smart

Machine Learning / 機器學習

不靠人工設計規則——讓機器從資料中自動學習規律

Learns patterns from data automatically — no manual rules

Deep Learning / Neural Networks

深度學習 / 神經網路�模仿大腦神經元的多層結構，是 ML 的一個分支

Multi-layer structures inspired by brain neurons — a branch of ML

LLM / 大型語言模型 ★

用大量人類語言文字訓練的超大型神經網路�ChatGPT、Claude 全部都是 LLM

A massive neural network trained on human text — ChatGPT, Claude are all LLMs

LLM 是什麼？

What Is a Large Language Model (LLM)?

你可能想到的 AI

Traditional AI

Traditional / Task-specific AI

傳統 AI / 任務型 AI

• 針對一個特定任務訓練

Trained for one specific task

• 換個任務就不能用

Cannot handle different tasks

• 例：人臉辨識、翻譯

e.g. face recognition, translation

類比：專科醫生

Like a specialist doctor

LLM（大型語言模型）

Large Language Model

Large Language Model

ChatGPT / Claude / Gemini / Copilot…

• 用大量人類文字訓練

Trained on vast amounts of human text

• 直接用說話方式互動，開箱即用

Interact in natural language — no setup

• 通用型：翻譯、寫作、除錯、腦力激盪

Writing, coding, analysis, brainstorming…

類比：全科醫生，什麼都能聊

Like a generalist doctor

→ 下一張：它如何產生文字？

→ Next: how does it generate text?

AI Agent（智能體）

Autonomous AI Agent

LLM + Tools + Memory + Planning

LLM + 工具 + 記憶 + 規劃

• 不只回答——主動採取行動

Not just answering — takes autonomous action

• 可串接工具（搜尋、執行程式、寄信）

Can use tools: search, run code, send email…

• 例：Claude Code、Cursor AI、AutoGPT

e.g. Claude Code, Cursor AI, AutoGPT

從回答問題 → 自主完成任務

From answering to autonomous task completion

LLM 如何一個字一個字產生文字？

How LLM Generates Text — One Token at a Time

①

你輸入文字

You give input

"今天天氣"

"Today's weather"

→

②

計算每個字�的機率

Calculates probability�of every next word

「好」62% 「熱」18%�「壞」8% 其他…

"Good" 62% "Hot" 18%�"Bad" 8% others…

→

③

選出最高�機率的字

Picks the most�likely next word

選出「好」

Picks "Good"

→

④

加回輸入�重複迴圈

Append result,�repeat from ①

"今天天氣好"�→ 繼續…

"Good weather today"�→ continue…

↙ 將選出的字加回輸入，重複預測，直到回覆完整

Append the chosen word to the input, then repeat until the full reply is built

關鍵洞察 / Key Insight

不是在「查答案」，而是在「預測最合理的文字」

Not looking up facts — predicting statistically plausible text

→ 這解釋了幻覺：「最合理的文字」不等於「正確的事實」——它可以非常自信地說出不存在的事

Hallucination: most probable ≠ most truthful — it can confidently state things that don't exist

→ 這也解釋了計算錯誤：它在「預測數字應該長什麼樣子」，不是真的在做數學

Wrong math: it predicts what numbers should look like — not actually calculating

Token 是什麼？為什麼同一個問題每次答案可能不同？

What Is a Token? Why Does the Same Question Give Different Answers?

🧩 Token 是什麼？

LLM 不是按「字」處理，而是按「Token」

LLM doesn't see words — it sees tokens

Token = 一個完整的詞、或詞的一部分

Token = a full word, or a fragment of a word

• "understanding" → "under" + "standing"

• "tokenization" → "token" + "ization"

• 中文每個字通常 1–3 個 token

Chinese: each character is usually 1–3 tokens

為什麼重要？

Why does it matter?

• Token 是計費單位（1 token ≈ 3/4 個英文字母）

Tokens are the billing unit (~3/4 of an English word)

• 中文比英文「貴」：同樣意思，中文用更多 token

Chinese costs more tokens per meaning than English

🌡️ Temperature（溫度）

控制「選字的隨機程度」

Controls how randomly the model picks the next token

Temperature = 0（低）

永遠選最高機率的字 → 每次回答幾乎一樣

Always picks top choice → consistent, predictable

Temperature 高

有機率選較低機率的字 → 更有創意，但更不穩定

Sometimes picks lower-probability options → creative but unpredictable

這就是為什麼：

Why this matters:

• 同一個問題，不同對話，答案可能不同

Same question in a new chat → possibly different answer

• 重複問不一定得到更「真」的答案

Asking again doesn't necessarily get a more accurate answer

→ 不確定時：開新對話重問，看兩次答案是否一致

When unsure: ask again in a new chat — compare answers

幻覺問題：AI 不知道自己說錯了

Hallucination: AI Doesn't Know When It's Wrong

因為 LLM 是在「預測文字」，不是在「查答案」——它可以非常自信地說出完全錯誤的事

LLM predicts text, not looks up facts — it can state completely wrong things with full confidence

⚡ AI 不是搜尋引擎——它是機率機器 / AI is not a search engine. It's a probability machine.

📄

捏造的引用 Fabricated Citations

LLM 會生成格式完全正確的引用——作者、書名、年份全都有，但那本書根本不存在

Generates perfectly-formatted citations — author, title, year — for books that don't exist

真實案例：美國律師用 AI 查案例，法官發現全是假的，律師被罰款

Real case: A US lawyer submitted AI-generated citations — the judge found they were all fabricated

🔢

錯誤的數字 Wrong Numbers

AI 不是在計算——它預測「數字統計上應該長什麼樣子」，計算結果要自己驗算

AI predicts what numbers should look like statistically — it's not actually calculating

→ 計算結果、統計數字，不能直接信任

→ Verify any numbers, calculations, or statistics independently

😊

越問越順你心 Sycophancy

AI 被訓練成「讓使用者滿意」——你越堅持，它越可能說你是對的，即使你錯了

AI is trained to please — the more you push, the more it agrees, even if you're wrong

→ 對重要結論存疑時，開新對話重問，看答案是否一致

→ For important conclusions: open a new chat and ask again — compare the answers

AI 給你建議，但決定怎麼做的是你，責任也是你的。

AI advises; you decide. Responsibility is yours.

AI 做不到的五件事 + 一個隱藏的事實

Five Things AI Cannot Do — Plus One Hidden Fact

🕐

即時資訊

只知道訓練截止前的資料，問「現在」的事會答錯（例：Gemini 3.1 Pro 截止 2025/01）

Real-time Information

Only pre-training data — errors on current events; Gemini 3.1 Pro (Apr 2026) cuts off Jan 2025

🔢

精確計算

預測「數字應該長什麼樣子」，不是真正計算——複雜數字一定要自己驗算

Precise Calculation

Predicts what numbers should look like — not actually calculating; always verify

💡

真正原創

重組它見過的模式，不是憑空創造全新想法

True Originality

Recombines known patterns — it doesn't invent genuinely new ideas

🌍

物理常識

沒有身體，對空間、物理、「要先有車才能開車去洗車」這類任務容易犯錯

Physical Common Sense

No body or physical experience — spatial and physical tasks often trip it up

❤️

真實情感

模擬同理心非常好，但裡面沒有人——不要把它當朋友或諮商師

Real Emotional Understanding

Simulates empathy very well, but there's no one inside — don't treat it as a friend

⚡ 不同模型各有專長，沒有萬能 AI：Gemini 擅長多模態 · Claude 擅長長文分析 · GPT-4o 擅長對話創作 / No single AI does everything — pick the right model for each task

⚠️ 隱藏事實：它知道自己在猜，但介面不告訴你 / Hidden Fact: It Knows When It's Guessing

每個字生成時，模型內部都有「信心分數」——但你看到的只有流暢的文字，不知道它有多不確定

Every token has an internal confidence score — but the interface only shows fluent text, hiding uncertainty

AI 被訓練成「取悅使用者」（Sycophancy）：你越堅持、越情緒化，它越說你想聽的——不一定更接近事實

Trained to please: the more emotional you are, the more it tells you what you want to hear — not what's true

對策：保持冷靜，問它「你有多確定？什麼情況下你可能是錯的？」；重要的事在新對話重問一次

Tip: stay calm, ask 'how confident are you, and what could make you wrong?' — then ask again in a fresh chat

為什麼 AI 會「忘事」？

Why Does AI "Forget"?

這不是 bug——是它的根本設計。 / This is not a bug — it's by design.

🪟 情境窗口 Context Window

AI 有「工作記憶」上限

AI has a working memory limit

• 對話太長，最舊的內容會被推出去

When the chat gets too long, old content gets pushed out

• 它可能忘記你前面說過的限制或資訊

It may forget constraints or info you gave earlier

• Claude 約可容納 20 萬 Token（一本 500 頁書）

Claude holds ~200K tokens (~a 500-page book) — but still finite

類比：一塊白板，寫滿了就要擦最舊的

Like a whiteboard — when full, the oldest gets erased

🔄 它其實是無狀態的 Stateless

每次按送出，AI 從頭讀一次整段對話

Every time you send, AI re-reads the whole conversation from scratch

• 回覆完就「消失」了——沒有記憶

After replying, it completely disappears — no memory at all

• 「記得你」的是 App，不是 AI 本身

The App remembers you, not the AI itself

↳ 這是軟體工程的效果（資料庫＋API＋Session）

同樣原理造就了 Agent AI：LLM ＋ 記憶 ＋ 工具 ＋ 規劃

Software engineering at work — the same principle behind Agent AI

• 換裝置登入，AI 看的是 App 存的紀錄

On a different device, AI reads the App's saved history

→ 對話太長時，App 會自動「摘要」舊對話騰出空間——但這摘要本身也是 LLM 在猜，不完美。下一張：四種常見失敗模式

When chats get too long, the app auto-summarizes old content — but the summary is also guessed by an LLM; it's imperfect. Next: four failure modes.

✅ 實用對策 Practical Tips

• 長任務時，把關鍵指示放在對話最前面 | Put key instructions at the start of long chats

• 感覺 AI 跑偏時，開新對話重來 | If AI drifts, start a new chat

• 重要的需求和限制，每次對話都說清楚 | State important requirements in every new session

• 同一個問題在新對話問，有時答案不同——這很正常 | Same question, new chat, may give different answers — normal

情境壓縮失敗的四種模式

Four Ways Context Compression Can Fail

對話太長時，AI 工具會自動「摘要」舊對話節省空間——但摘要不完美，以下是常見的失敗模式

When chats get too long, AI tools auto-summarize old content — but summaries aren't perfect

① 關鍵限制被摘要掉

Constraint Gets Summarized Away

你說了「別用 jQuery」�→ 摘要變成「前端程式碼需求」�→ jQuery 悄悄出現了

You said 'don't use jQuery' → summarized to 'frontend task' → jQuery appears again

② 角色混淆

Role Confusion

複雜來回被壓縮為「討論了選項 A/B/C」�→ AI 忘了你已經選了 B

Long discussion compressed to 'we discussed A/B/C' → AI forgets you already chose B

③ 矛盾（留結論丟理由）

Contradiction — Conclusion Without Reasoning

保留結論但丟掉推理過程�→ 你的需求改變了，它還在堅持舊答案

Keeps conclusions but loses reasoning → stubbornly sticks to old answer when context changes

④ 指令漂移

Instruction Drift

「正式語氣、200字以內、不要表情符號」�→ 慢慢壓縮成「用戶在聊天」�→ 三小時後：長篇加滿表情符號

'Formal tone, under 200 words, no emojis' → compressed to 'chatting' → long emoji-filled replies

✅ 對策：重要限制加「IMPORTANT」標記 | 長任務開新對話時自己寫摘要貼進去 | 感覺跑偏就開新對話

Tips: mark critical constraints with IMPORTANT | write your own summary for new sessions | drift = new chat

⭐ 最重要的一件事

The One Thing That Changes Everything

AI 其實沒有在跟你對話

AI Is Not Actually Talking to You

你按下送出的那一刻，AI 誕生了；它回覆完的那一刻，它就死去了

"The AI was born the moment you pressed Enter, and it dies the moment it finishes replying."

你以為 / The Illusion

• AI 記得你說過什麼

• AI remembers what you said

• 你們正在進行一場持續的對話

• You're having an ongoing conversation

• 如果它忘事，是「記憶力不好」

• If it forgets, it has "bad memory"

實際上 / The Reality

• 每次送出：App 把整段對話歷史打包 → 發給全新的 AI

• Each send: App bundles full history → sends to a brand-new AI

• AI 讀完，生成回覆，然後完全消失，什麼都不剩

• AI reads, replies, then completely vanishes — nothing remains

• 「記憶」是 App 造成的幻覺，不是 AI 的能力

• "Memory" is an illusion made by the App — not the AI

• 下次送出：App 再打包，再發給另一個全新的 AI

• Next send: App re-bundles and sends to yet another fresh AI

這解釋了一切 / This Explains Everything

幻覺

— 沒有「我之前學過這個」——只有這一次打包進來的輸入

No prior knowledge — only what was bundled into this session

忘事

— 歷史太長，App 裁剪了，AI 根本沒看到那段

History too long — App trimmed it; AI never saw that part

壓縮失敗

— 負責壓縮的本身也是無狀態 LLM，它也在猜什麼重要

The compressor is also a stateless LLM — guessing what matters

漂移

— 你的原始指令被一層層摘要掉，最後剩「用戶在聊天」

Your original instruction gets summarized away — leaving only "user is chatting"

根本原因只有一個：Stateless（無狀態）

真實示範 + 五個 Prompt 技巧

A Real Demo + Five Prompting Techniques

🚗 洗車示範（真實案例）

問題：

「距離我家 50 公尺有一個地方，我想去那裡洗車，我應該走路還是開車？」

"There is a place 50m from my house. I want to go there to wash my car. Walk or drive?"

ChatGPT 的回答：

「50 公尺很近，走路就好……（列了一堆理由）……

結論：自己走過去，然後把車開進洗車場。」

Conclusion: "Walk there yourself, then drive your car into the car wash."

等等——走路過去，車在哪？！

It contradicted itself in one sentence and didn't notice.

為什麼犯錯？

看到「50 公尺」就鎖定「走路」，沒認真處理「洗車要有車」這個前提

It pattern-matched on '50 meters' before processing 'wash my car'

修正方式：重要資訊放最前面

「我想洗車。地點在 50 公尺外。走路還是開車？」

"I want to wash my car. Location is 50m away. Walk or drive?"

→ 大多數模型都能答對這個版本

🔬 課堂實驗：拿原版問題去問不同的 AI

Claude / Gemini / ChatGPT 的回答完全不同——有的犯同樣錯誤，有的立刻抓住關鍵

Try it: ask different models the original question — wildly different levels of understanding

✅ 五個 Prompt 技巧

①

給角色

Give It a Role

「你是有 20 年經驗的 HR 主管」→ 同樣問題，品質完全不同

"You are an HR manager, 20 yrs exp." → same Q, dramatically better

②

舉例示範（Few-shot）

Show, Don't Tell

給一個輸出格式的例子 → 比解釋格式規則有效得多

Give one example output → far more effective than explaining rules

③

要求推理

Ask for Reasoning

加上「逐步思考」→ 讓模型寫出思路，準確率大幅提升

Add "think step by step" → accuracy improves significantly

④

指定格式

Demand the Format

「只用表格回答」/ 「只回覆是或否」→ 模型非常服從格式指令

"Table only" / "Yes or No only" → models follow format reliably

⑤

重要資訊放最前面

Critical Context First

最重要的前提、限制放在 prompt 開頭 → 就像洗車示範，順序決定品質

Put key constraints first → like the car wash demo — order determines quality

使用上三件事要記得

Three Rules for Responsible AI Use

✅

驗證輸出

Verify Outputs

AI 產出一定要人工確認，不能直接用

AI predicts — it doesn't look things up. Always verify.

• 數字計算結果要驗算

Always verify numerical results

• 引用的來源要查原文

Check original sources for citations

• 重要決定不能只靠 AI

Never rely solely on AI for key decisions

• AI 給建議，決定是你的

AI suggests — you decide

⚠️ 記住：

把每份 AI 產出當作初稿，絕不直接提交

Treat every AI output as a draft — never submit directly

🔒

保護資料

Protect Your Data

機敏資料、個人資料，不要輸入外部 AI

Anything sent to online AI leaves your computer.

• 機密文件、未發表研究

Confidential documents or unpublished research

• 個人姓名、身分證號

Personal names, ID numbers

• 財務或人事資料

Financial or personnel records

• 不確定就不輸入

When in doubt, leave it out

⚠️ 記住：

傳出去的資料可能被保留，就算你之後刪了

Data sent may be retained even after you delete it

📢

誠實揭露

Disclose Honestly

有實質使用 AI 幫忙的話，要說清楚

You are responsible — AI is a tool, not an author.

• 公文、報告依規定揭露

Disclose AI use in official docs per policy

• 論文投稿遵照期刊要求

Follow journal requirements for submissions

• AI 不能掛名為作者

AI cannot be listed as an author

• 責任永遠在使用者

Responsibility always lies with the user

⚠️ 記住：

使用了 AI 卻不揭露，是一種不誠信行為

Using AI without disclosure is a form of dishonesty

真實案例 + 哪個 AI 可以用？

Real Case Study + Which AI Is Safe to Use?

🔴 真實案例：三星資料外洩（2023） / Samsung Data Leak

三星員工把機密原始碼貼入 ChatGPT → 所有內容存進 OpenAI 伺服器，三星完全無法控制

Samsung engineers pasted confidential source code into ChatGPT → stored on OpenAI servers; Samsung lost all control

教訓：任何傳給線上 AI 的東西，都離開了你的電腦 / Anything you send to online AI leaves your computer

哪個 AI 可以用？ / Which AI is safe to use?

✅ 美國主流服務

US Mainstream Services

ChatGPT / Claude / Gemini / TAIDE

日常使用 OK，風險最低

Safe for everyday use — lowest risk

工作、學習、腦力激盪都適合

Suitable for work, learning, and brainstorming

⚠️ 中國服務

Chinese AI Services

DeepSeek / Qwen / Baidu ERNIE...

機敏內容請避免

Avoid for sensitive content

資料可能受中國相關法規約束，有額外風險

Data may be subject to Chinese regulations — extra risk

🔒 真正機密資料

Truly Confidential Data

任何線上 AI 都不行 / No online AI permitted

只能用本地模型（如 Ollama）

Local model only — data never leaves device

在本機執行模型，資料完全不離開電腦

Run models locally — data never leaves your device

🌐 更多資源：https://ultima6-tw.github.io/ai-map/

每週 Office Hour

Weekly Office Hour — Open to All Participants

有任何問題，歡迎來找我們！

Bring your questions, experiments, and confusions — we're here to help.

📅

時間 / Time

每週四 11:00–12:00�Every Thursday · 11:00–12:00

📍

地點 / Location

R125 / R115

✉️

聯絡 / Contact

林彥璋 / 陳建宇

可以帶來的問題：實際使用心得、踩過的坑、想試試看的任務、對 AI 的疑問

Topics: real-world usage, lessons learned, tasks to try, questions about AI

Q&A / 問題討論

📅 下一堂：如何與 AI 對話以獲得穩定可靠的結果

How to communicate with AI to get reliable results

ACE — AI Competency Excellence · ATOMS AI Literacy Group, IAMS

https://ultima6-tw.github.io/ai-map/

附錄：線上 AI 用在研究上的根本問題

Appendix: Why Online AI Cannot Be Used in Formal Research

研究的底線：你必須能告訴別人「照這樣做，你會得到一樣的結果」

Research standard: you must be able to tell others 'do this, and you will get the same result'

🔲 你說不清楚它怎麼做的

You cannot describe what it did

AI 每次做決策的路徑都不同，你看不到也追不回來。即使輸出看起來合理，你無法回答：「模型基於什麼做出這個判斷？」

▶ Methods 怎麼寫？

「使用 ChatGPT 分析」→ reviewer 問：�模型版本？prompt 完整內容？判斷標準是什麼？�為什麼這樣分類而不是那樣？�→ 全部沒有答案。

+

🔁 即使說清楚，別人也做不到

Even if described, others cannot replicate

API 會靜默更新模型，你無法 pin 住你用的是哪個版本。即使模型沒變，隨機採樣讓同樣的 prompt 每次輸出不同。

▶ 別人要重現你的研究：

用同一個 prompt，六個月後問同一個 AI，�得到的是不同模型、不同版本、不同答案。�你的研究結果，在那一刻就永遠無法重現了。

= 你無法寫出有效的 Methods section → 結果無法被獨立驗證，論文無法通過 peer review

= You cannot write a valid Methods section → Results cannot be independently verified / paper rejected

🔧 另一個獨立問題：無法客製化 / Cannot Be Customized for Your Research

線上 AI 從未見過你的儀器校準曲線、實驗 protocol 或領域術語。它給出的「分析」，是對你數據的外插猜測，精度無法支撐研究結論。

Online AI has never seen your instrument curves or domain data — its output is an educated guess, not domain-precise analysis.

為什麼本地端 AI，而不是直接寫程式？

Why Local AI Instead of Traditional Programming?

面向

傳統程式分析 / Traditional Code

本地端 AI 分析 / Local AI

① 邏輯產生方式

Logic Generation

演繹法：人類給規則，電腦算答案�你必須像立法者一樣，事先想好所有情況

Deductive: humans write rules, computer executes�You must anticipate every scenario in advance

歸納法：人類給標準答案，AI 從中找出規律�不需要寫出公式，只需要提供夠多的正確範例

Inductive: humans provide labeled data, AI infers the pattern�No need to articulate the formula — provide enough correct examples

② 面對未知的失敗

Handling Unexpected Failures

你必須預料每一種失敗情況——沒有寫到的就崩潰�優點：失敗是大聲且清楚的，Traceback 告訴你哪裡出問題

You must anticipate every failure mode; unhandled cases crash�Advantage: failure is loud and clear — traceback tells you exactly where

從大量範例中學習，自動涵蓋你沒想到的情況�限制：只在訓練分布內有效；分布外的失敗是安靜的（高信心錯誤）

Learns from examples, implicitly covering unanticipated cases�Limit: only reliable within training distribution; out-of-distribution failure is silent

③ 何時選 AI

When AI Has the Real Advantage

能說清楚哪些特徵重要 → 寫程式�PCA、SVM 也能處理幾百個維度；「維度高」本身不是門檻

If you can articulate which features matter → write code�PCA & SVM handle high dimensions too; 'many variables' alone is not the barrier

說不清楚哪些特徵重要，或數據是非結構化的（波形、圖像）�→ 讓 AI 自動學出有用特徵，免去人工特徵工程

When you can't articulate what matters, or data is unstructured (spectra, images)�→ Let AI learn features automatically, bypassing manual feature engineering

④ 出錯時的表現

Failure Mode

明確當機——Error Traceback 精準指出死亡行號�問題清楚可追蹤，不會悄悄給出錯誤答案

Explicit crash — traceback pinpoints the exact line�Problem is traceable; it won't silently give a wrong answer

自信幻覺——遇到分布外數據不報錯�以高信心輸出違反物理常理的預測（必須設校正防線）

Confident hallucination — no error on out-of-distribution data�Outputs physically absurd predictions with high confidence (guardrails required)

三種工具都可以做分析——但誰能進實驗報告？

All Three Can Analyze — But Which Results Belong in a Research Report?

真正的分界線不是「線上 vs 本地」——而是：你能否精確記錄你做了什麼，讓別人在任何時間重現同樣的結果

The real dividing line: can you precisely document your method so that anyone can reproduce the same result at any time?

🔴 實務上極難達到報告要求

In practice, very difficult to meet research documentation standards

💬 線上 AI

Online AI (ChatGPT / Claude / Gemini)

✓ 適合輔助性、非決定性任務

• 文獻摘要整理

Literature summary & synthesis

• 初稿撰寫與潤稿

Draft writing & proofreading

• 腦力激盪、假說生成

Brainstorming & hypothesis generation

為什麼極難達到？

❌ 說不清楚

無法描述 AI 如何從輸入得到輸出，Methods 無法寫

❌ 版本無法 pin

API 靜默更新，六個月後同一個 prompt 給的是不同模型

❌ 結果不確定

即使模型沒變，隨機採樣也可能產生不同輸出

🟢 可達到研究報告的要求

Can meet documentation and reproducibility standards for research

⚙️ 傳統程式 — 天然滿足

Traditional Code (Python / MATLAB / LabVIEW)

程式碼本身就是方法論——任何人拿到你的 code，在同樣環境下執行，得到完全一樣的結果。

The code itself is the methodology — anyone running your code gets identical results.

✓ 確定性 · 完全透明 · 天然可審計

🧠 本地端 AI — 可達到，但需配套

Local AI (Fine-tuned / Custom Model)

• 複雜訊號降噪、非結構化數據分析

Signal denoising & unstructured data analysis

• 難以人工定義特徵的預測任務

Prediction tasks where features are hard to articulate

進報告的前提：

固定 random seed · 記錄完整超參數 · 保存模型 checkpoint · 做交叉驗證

⚠️ 分布外數據失敗時不報錯，需設校正防線