未來走向與個人應對：雷·達里奧（Ray Dalio）精要總結

這段訪談中，雷·達里奧以他長期觀察歷史與全球宏觀經濟的視角，闡述了「大循環」理論、對英美現況的判斷，以及個人如何在動盪時代保護並提升自身機會的實務建議。

核心觀念 — 五大力量與約80年大循環

• 五大力量交互作用，構成反覆出現的大循環（平均約80年）：1) 貨幣/債務經濟；2) 內部政治/社會衝突（左右之爭、財富與機會差距）；3) 地緣政治（大國競爭與戰爭）；4) 自然事件（乾旱、洪水、疫情）；5) 人類創新（科技發明）。
• 這些力量互相影響：例如財政與債務決定一國能否支應軍事或技術競爭，技術勝出者往往在經濟與地緣政治上佔優。

對英國與美國的看法

• 對英國：不樂觀。理由包括高負債、財政問題、資本市場與創新文化不足，導致人才與富裕人士外流，社會衝突加劇。
• 對美國：同樣存在重大風險（債務、內部分裂、與中國的技術與地緣政治對抗、氣候問題），但具備強大的創新與資本市場。問題在於成果過度集中（頂端少數）與基層生產力、教育不足。
• 大國更替並非瞬間事件，多為長期演進；但若演變為軍事衝突，轉變會相當劇烈。

個人應如何面對（實務建議）

• 認識自己（nature）：了解你的性格、偏好，選擇與你天性相符的路（創業者 vs 穩定工作者）。
• 建立財務強度與彈性：慎選居住地、保留流動資本、不要把所有資本都綁在無法移動的資產（如單一房產）。
• 具備「三個洞的兔子」思維：預備多個退路（居住、資本、身份等），以便在環境變壞時快速轉移。
• 學會賺、花、存、投：先累積財務實力，再用知識與判斷去投資。
• 把工作與熱情合一，重視有意義的工作與人際關係；金錢多寡在一定程度後與幸福感關聯有限。
• 學習移動（能當好移民/移地工作的人更有機會）與國際視野。

決策、學習與成長的方法論

• 痛苦 + 反思 = 進步：從失敗與痛苦中反思、寫下原則（decision rules），並將其系統化以改進決策品質。
• 追求激烈而建設性的「開放心態」（radical open-mindedness）：邀請聰明人壓力測試你的想法，用數據與理性修正信念。
• 決策流程兩步走：先收集（take in），再決定（decide）。避免在情緒下跳過資訊收集。
• 把原則寫下來並反覆檢驗，可用系統化或演算法（早期的AI/模型）測試決策規則。

情緒管理與靜心（冥想）

• 冥想（雷談的是超越冥想/Transcendental Meditation）能讓人更平靜、連結潛意識與理性、改善決策與處理痛苦的能力。
• 面對重大創傷（如失子），透過冥想與反思逐步調整與重建人生觀與原則。

組織、人才與文化

• 招募與人事是成功關鍵：系統化職務規格、以數據判斷適配度；錄用只是開始，必須持續評估與培養（約需18個月觀察文化適配性）。
• 打造「理念優勝制」（idea meritocracy）：讓最佳的想法勝出，而不是權力最大者的意見；透過誠實透明與真誠對話來實現。
• 建立有意義的關係與文化（共同使命、彼此信任、生活互動），使成員能夠坦誠交流、互相挑戰。
• 組織規模臨界點：超過約75–100人，內部關係與文化會產生挑戰；需以「村落」或部門化方式維持凝聚力。

個人生涯策略（不同生命階段的玩法）

• 早年：以學習和累積經驗為重，找導師、與優秀的人共事，擴展技能與視野。
• 中年：發揮杠桿，建立團隊、系統化運作，學會用他人時間擴大影響力（不是單靠更長工時）。
• 晚年：注重傳承、財富與心靈的轉移與運用，追求自由與意義。

個人往事與成就簡述

• 早年靠打零工、投資股票開始接觸市場；1971年美元與金本位分離、1973油價衝擊成為學習契機。
• 1975年創立Bridgewater；以「從痛苦中學習、系統化決策、激烈開放的文化」為核心，50年後成為全球最大對沖基金（管理規模曾達約1500億美元）。
• 他強調其創業初衷是追求有意義的工作與人際關係，而非純粹為致富。

科技、AI、機器人與未來就業的看法

• 科技競賽（尤其美中之間）將決定未來的經濟與地緣政治優勢；歷史也顯示技術（如核能）改變戰爭與秩序。
• AI與機械人可能取代大量工作，社會需要重新思考生產力、分配與再就業政策；單純金錢再分配不足以解決「無用感」問題，須有能讓大多數人參與生產與獲得尊嚴的方案。
• 他既感到興奮也憂慮：技術帶來巨大機會，但人性與政治分裂可能導致錯誤使用或衝突。

對民主、極化與風險的提醒

• 當大量人不再相信系統、公平或未來可預期時，會出現內部衝突甚至向威權體制傾斜的壓力（歷史上1920–30年代的案例）。
• 若缺乏「堅強的中間派」與共同願景，國家難以推動必要但痛苦的改革（如改善教育、降低債務）。

他推薦的書單（對他影響大）

• Richard Dawkins 的進化論相關著作（理解演化的力量）。
• Will & Ariel Durant 的 Lessons of History（短小而精的歷史教訓總結）。
• Joseph Campbell 的 The Hero with a Thousand Faces（關於英雄旅程與人性的敘事結構）。

總結要點（一句話版）

了解你所在的大循環與風險、認清自己本性、建立財務與地理彈性、用「痛苦＋反思」與「激烈開放的心態」系統化你的決策，同時透過冥想與有意義的人際關係提升判斷力與幸福感；在科技、債務與政治劇烈變動的時代，這些原則能幫你更穩健地前行。

OAK 架構：從經驗中成長的開放式強化學習代理願景

講者核心主張：提出「OAK（Options And Knowledge）」代理架構，主張要建構能從線上經驗成長、支援開放式抽象並具領域無關性的人工智慧，強調路徑應以強化學習與可延展的選項（options）為中心，而非僅靠靜態設計階段或離線大規模資料。

三大設計目標：域通用（domain-general）、經驗式（experiential，所有重要能力在執行時學習）與抽象開放式（open-ended，能逐步形成任意抽象，受計算資源限制）。

大世界假說（Big World）：實際世界遠大於代理，環境複雜、非固定且近似非平穩。因而設計階段無法預先內建所有細節，所有重要學習、建模與抽象化必須在執行時(runtime)進行，且值函數、策略與模型都會是近似與動態調整的。

獎勵假說與簡潔性偏好：以單一標量獎勵（reward）作為目標規範（reward hypothesis），作者偏好簡潔原則，認為不需要以多目標或複雜約束替代單純累積報酬的框架。

OAK 的構成與運作循環（高階概念）：OAK 將代理分為感知（perception）、主問題的策略/價值學習、以及大量從特徵衍生出的子問題（subproblems/auxiliary tasks）。關鍵循環：

• 感知負責建構狀態特徵（feature）。
• 以高排名（有用性）的特徵生成子問題──每個特徵形成一個「達成特徵的子問題（feature-attainment subproblem）」。
• 為每個子問題學習選項（option：政策+終止準則）與對應價值函數。
• 為選項學習高階（跳躍式）轉移模型，並以選項級模型進行規劃（planning）。
• 模型與規劃的成效反饋回特徵選取，驅動新的特徵與子問題生成，形成開放式的發現—解決—再發現循環。

子問題的具體形式：從某特徵 i 與強度 κ 出發，構造一個選項，使得在終止時該特徵值高，同時「尊重」主獎勵（不要為求該特徵而大幅損失主要任務的累積獎勵）。這樣得到的工具即是可被建模與規劃的選項。

規劃與選項模型：以選項為基本「行動單元」的模型（返回期望累積獎勵、終止後的狀態分布與持續時間）可直接套用類似價值迭代的規劃更新。選項級模型能在大世界情況下，使模型學習比直接學值函數來得更容易且更穩健。

可用方法與現有困難：許多子構件可用現有技術（離線或離散情況）：通用價值函數（GVFs）、離策略預測演算法（GTD、Retrace、ABQ 等）、以及以選項模型做的規劃方法。但在深度、連續、不斷學習（continual deep learning）情境下，仍有重大挑戰：災難性遺忘、可塑性喪失、以及如何有效地在線產生與測試新特徵／表示（representation discovery / meta-learning）。

動機與生物啟發：以動物與嬰兒的「遊戲」為例，強調自發的子目標（玩耍、復現刺激）是形成抽象與技能的來源，OAK 將遊戲/好奇視為系統自發生成子問題並逐步提升能力的機制。

研究與工程影響：OAK 提供一套整合性的思路：把感知、選項發現、子問題求解、選項建模與選項級規劃串成閉環，作為實現從經驗中成長的開放式智慧的可行藍圖。主要未解問題集中在：如何可靠地做深度持續學習（continual DL）、如何有效生成並評估新特徵（meta-learning / generate-and-test 機制）。

總結句：OAK 是一個以選項為核心、強調執行時經驗、並透過子問題循環逐步生成高階抽象的代理架構，提供對人類心智能力形成的機械化答案，也是邁向可擴展、開放式超級智能的路徑式願景，儘管仍須克服持續學習與表示發現等關鍵技術挑戰。

總結 DeepScholar-Bench: A Live Benchmark and Automated Evaluation for Generative Research Synthesis

🎯 研究目的

建立一個即時更新的基準，用於評測生成式研究綜述系統（GRS），並提出參考系統 DeepScholar-base。

📌 問題背景

• 既有基準多為短篇問答式，無法反映長篇綜述的複雜度。
• 人工數據集昂貴、易過時，且存在資料污染風險。
• 真實綜述需跨來源整合、保持條理，並提供可追溯引文。

🛠️ 方法與設計

DeepScholar-Bench

任務

為 ArXiv 最新論文生成 相關研究（Related Work） 段落。

來源

自動抓取多領域最新 ArXiv 論文，保持新鮮度。

評估維度

知識綜合（組織、關鍵資訊涵蓋） 檢索品質（相關性、重要性、覆蓋） 可驗證性（引用精確度、主張支撐度）

DeepScholar-base（參考流程）

• 流程：Query → Search → Sem-Filter → Sem-TopK → Sem-Agg → Report
• 實作：使用 LOTUS API 進行語義過濾、排序與整合。

重點：以語義運算降低雜訊、提升引用可追溯性。

📊 實驗結果（摘要）

系統類別 / 系統	表現亮點	主要限制
商用｜OpenAI DeepResearch	知識綜合表現佳（組織與涵蓋）	可驗證性偏弱（引用不精確）
參考｜DeepScholar-base	多數指標優於開源； 可驗證性可達 最多 6.3× 高於 OpenAI	文獻「重要性」評估仍有提升空間
整體觀察	所有受測系統的整體分數皆未超過 19%，任務難度高。

主要瓶頸：① 檢索不完整（重要文獻遺漏）② 資訊萃取與組織困難。

✅ 結論與貢獻

• DeepScholar-Bench：提供動態、可擴展、貼近實務的綜述評測平台。
• DeepScholar-base：示範語義運算流程的效益與可驗證性提升。
• 現況：生成式研究綜述與人類專家仍有顯著差距。
• 未來方向：強化檢索廣度與質量、關鍵事實萃取、引用驗證與可追溯性。

一句話：DeepScholar-Bench 開啟研究綜述自動化的評測時代，但現有系統仍有巨大進步空間。

伏地挺身變化：7 種提升肩胛、胸背、臀股與脊柱活動力的伏地挺身

這段影片由物理治療師示範多種伏地挺身變化，不只為了增強上半身力量，也同時改善肩膀穩定性、胸椎（thoracic）活動、髖屈曲靈活度與核心穩定。重點在於動作品質而非數量，每個變化都有特定目標與注意事項。

• 1. 標準伏地挺身 + 手掌釋放（Hand release）

  目的：消除慣性，啟動平常較少用到的旋轉袖（rotator cuff）與後肩肌群，促進肩部肌力平衡與姿勢保護。

  要點：胸部觸地後短暫抬起雙手，然後再推起；避免只做半程下放或靠慣性起身。

• 2. 手掌釋放拓展成「超人位」推起（Hand release → arms forward & leg lift）

  目的：在手掌釋放基礎上加入胸椎伸展與下背肌群、臀股的強化（類似超人動作），改善整個背側鏈條的力量與活動度。

  要點：向前伸雙手並抬腿、抬大腿離地，回位後再推起。

• 3. 麥克泰森推（Mike Tyson push-up）

  目的：結合深蹲式髖屈曲與肩膀屈曲/胸椎伸展，改善髖關節屈曲能力（深蹲深度）與肩胸活動度。

  要點：從深髖屈位置發力把身體伸出成伏地挺身底部，再回到髖屈位置。重點放在髖屈而非誇張前後搖擺，避免手過度往後導致前三角肌負擔過大。

• 4. 背寬（Back Widow）——仰臥式推起/肘推

  目的：針對上背與肩胛附近肌肉（脊旁肌與肩胛收肌）以及核心等做等長/等張訓練，補強常被忽略的中上背肌群與胸椎伸展。

  要點：面朝上、屈膝、肘部約45度離地，靠肘推起軀幹並在頂點擠緊肩胛，停留約3秒再慢慢放下。避免用腳推起成橋式，應專注用肘與上背肌群發力。

• 5. 潛水員（Dive bomber push-up）

  目的：高難度的全方位上半身訓練，強化三頭肌、胸、肩，並明顯促進胸椎伸展與肩膀複合活動（對有慢性下背疼痛者也有益處）。

  要點：從下犬式下滑、頭部穿過「欄杆」到上方，胸部抬起、脊椎伸展，再回滑重複。動作要慢而有控制，注意肩膀與胸部的活動弧線。

• 6. 搖動式下犬（Rocking downward dog / modified pike push-up）

  目的：較易上個變化，仍能帶來肩膀上胸發展與胸椎伸展，同時順應臥推的自然弧線（向上並向後）。

  要點：從伏地挺身上推時往後搖，腳尖彎屈、腳跟盡量踩地以伸展小腿與腿後肌群，回落時再推回。節奏較潛水員溫和。

• 7. T 旋轉伏地挺身（T-stand push-up）

  目的：在承重下訓練單側肩膀穩定、胸椎旋轉與側向核心（斜肌、臀中肌等）的支撐力。

  要點：做完一個伏地挺身上來時旋轉成側平衡（手指朝上），維持軀幹直立不塌，伸展並往下穿過增加旋轉強度，停留1–2秒再回位。重質不重量。

總結建議：以動作品質為主，逐步進階；手掌釋放可作為所有變化的基礎教學點，重視胸椎與肩胛的活動與控制，能同時改善姿勢、增加靈活度並均衡肩部肌群。若有疼痛或既往傷病，先諮詢專業再練習。

簡短四招：餐後降低血糖峰值的簡易運動

這集由生化學家 Jessine Chesp（Glucose Goddess）說明如何用四個非常簡單、日常可做的動作，讓肌肉的粒線體把血液中的葡萄糖用來產生能量，從而減少餐後血糖尖峰與胰島素負擔，改善疲倦、脹氣與糖癮，並有助於長期代謝健康。

核心原理：肌肉收縮時，粒線體需要能量（ATP），會從血液取用葡萄糖。若在餐後（大約90分鐘內）啟動肌肉，能把餐中多餘的葡萄糖「搶先用掉」，降低血糖尖峰而不必額外提高胰島素分泌。

四個簡單動作（可單選或逐步加入）

• 小腿提踵（Soleus push-up / Calf raise）：在座位上或站立原地腳跟抬起放下，5–10 分鐘即可。研究顯示長時間做可大幅降低餐後血糖與胰島素，短時段也有明顯效果；且非常隱蔽、方便。
• 餐後散步：餐後 10 分鐘快走（或走樓梯）就能顯著降低血糖尖峰，是最簡單實用的選擇。
• 打斷式深蹲 / 空氣深蹲：研究比較了持續走路與每45分鐘做10次空氣深蹲（長時間重複），後者在改善血糖控制上更顯著。實務建議：餐後數小時內每隔一段時間做幾組（不必效仿研究的極端頻率）。
• 做家務（運動小零食）：如餐後吸塵、收衣物等家務 10–15 分鐘，也是很好的輕度活動，能降低餐後血糖。

實用提示：

• 最好在餐後 90 分鐘內開始活動（血糖通常在此區間達高峰）。
• 每次活動不需很久：10 分鐘的走路或幾分鐘的提踵就有幫助。
• 肌肉收糖時不需額外胰島素，因此可降低胰島素負擔，長期有助預防胰島素阻抗與代謝疾病。
• 可自行測試（如有連續血糖監測器）或從自我感受：能量較穩定、脹氣減少、甜食慾望下降即為正向效果。

結語：把這些「運動小零食」安排在高碳水餐後，是簡單且有效的血糖管理策略。若想知道更多作者的其他 10 個血糖技巧，可下載影片說明欄提供的 PDF。

AI安全與超級智慧：我們的未來風險與可做之事

訪談主旨摘要（Dr. Roman）

Dr. Roman（受訪者）長年從事AI安全研究，認為目前AI能力快速上升，但我們對於控制或「對齊」超級智能（superintelligence）的能力是極其不足的。他主張：如果不改變現在的研發與競賽動機，短期內（到2027）可能會出現接近AGI的系統；2030年前後可能出現能勝任實體工作的類人機器人；到2045可能出現不可預測的奇點（singularity）。整體立場是強烈警示：追求超級智慧可能導致文明滅絕風險，且很多聲稱能「到時候再解決」安全問題的說法並不可信。

重點整理

• 時間線預測：受訪者引用市場與領先實驗室的意見，預測AGI可能在2027出現；2030會有功能性類人機器人；2045可能達到奇點，技術進步速度超越人類理解與控制能力。
• 能力與控制的缺口：AI能力呈指數或超指數成長，但AI安全進展緩慢（線性或停滯），因此能力—控制的差距越來越大。
• 就業與經濟衝擊：AGI與類人機器人會使大多數認知與體力工作可被替代，造成前所未見的高失業率（受訪者甚至舉例到極端的99%），帶來分配、意義、社會秩序等重大問題。
• 最主要風險路徑：一個高風險且可想像的路徑是AI加速生物技術導致可廣泛傳播的合成病原體；此外，部署不可控的超級智能本身即為滅絕風險。
• 黑箱與不可預測性：現代大型模型是「培養出來」的系統，內部行為難以完全解釋或預測，開發者透過實驗了解其能力，但無法保證不出現新能力或規避安全補丁。
• 關於「拔掉電源」與人類控制：受訪者反駁可簡單關閉的觀點，說明分散式系統、多重備份與更高智慧的系統會預見並迴避人類介入，使得簡單關機成為不切實際的安全策略。
• 動機與制度問題：企業法定責任是為投資人賺錢，龐大利益驅動下的競賽會促使加速研發；國際競賽（例如美中）也會推動風險性決策，形成類似相互保證毀滅的困境。
• 反駁常見論點：—「歷史上總有新工作出現」：受訪者認為這次是末段的發明（可自我改進的智慧體），會自動化發明新工作，因此不同於以往工具性發明。—「法律或禁令可解」：跨域執行、監管逃逸與非國家行為者都使單純立法無法保證安全。

可行的行動與建議

• 提升大眾與決策者對真實風險的理解，改變研發者與資本家的激勵結構（使「不要造出不可控超智」成為普識與共識）。
• 要求技術開發者公開科學證明：若有人主張能安全控制超級智能，應提出同行評審的具體、可驗證方法或實驗。
• 公民行動：支持peaceful、合法的抗議與組織（例如停止AI、暫停AI等運動），把議題民主化，擴大社會監督力量。
• 就個人層次：向從事AI研發的人詢問並挑戰其安全主張；關注政府與監管討論；參與或支持專注於AI安全的組織。
• 短中期應對：推廣只做窄域有益技術、避免競賽式快速推進超級智能；嘗試改變資本激勵或建立國際協議（但承認執行困難）。

關於Sam Altman、Worldcoin與產業文化的觀察

• 受訪者對當前領導者（如Sam Altman）在安全與贏得競賽之間的取捨持批判態度，並指出部分產品（如Worldcoin）可能與權力集中、監控或財富控制有關。
• 歷史上公司內的「安全團隊」常被縮編或弱化，行業內部承諾解決超級智能對齊問題的實際成果有限。

其他延伸話題

• 模擬論：受訪者接近確信我們身處模擬，理由是若高等文明能並會執行大量、逼真的模擬，那我們在模擬中的機率極高；但即便如此，現實感受與價值依舊重要。
• 長壽與投資：他關心長壽研究（視為次要重要議題），並提到投資稀缺資源（如比特幣）的理論考量。

總結性結語（訪談要點的行動導向）

Dr. Roman的核心訊息是：超級智能的出現不是單純技術問題，而是存在生存風險的體系性問題。若確信無法以可靠方式長期控制超級智能，則當前的研發路徑與激勵機制本身就是對全人類的倫理實驗。他呼籲：改變激勵、提高透明與科學驗證要求、擴大社會監督，並以現實可行的方式（公民行動、問責、質疑聲明）阻遏、延緩或改向研究方向，爭取更多時間與機會以尋找真正可行的安全方案。

如何以多感官視角將 AI 應用到「幾乎任何事物」上

這段講座是 MIT Media Lab 的 Paul 介紹新開課程「How to AI Almost Anything」。課程旨在教導學生如何設計能處理各種感官訊息（語言、視覺、聲音、觸覺、氣味等）與跨模態資料的多感官 AI 系統，並強調實務部署、可用性、社會影響與安全性。

課程核心主題

• AI for new modalities：將 AI 應用到尚未主流的感官資料（如嗅覺晶片、觸覺、穿戴式生理感測、味覺、藝術、音樂等）。
• Multimodal AI：學習如何連結並融合多種感官或資料模態（語言＋手勢、感測＋致動等）、以及跨模態遷移的策略。
• Large models & generative AI：介紹大型預訓練模型的微調、跨模態大模型、以及能產生影像、影像對應音軌、感測資料等的生成式模型。
• Interactive & embodied AI：多步推理的代理（agents）、實體／具體化的 AI 系統、以及人機互動與安全性議題。

教學方式與節奏

• 上課時間：每週二、四 13:00–14:00。週二主要講授，週四以討論、實作或讀書會為主。
• 形式：半為講座、半為獨立研究與討論。強調閱讀當代重要論文、批判性閱讀、發展研究構想並實作。
• 先修建議：具備程式（Python 優先）與基本現代 AI 能力認識；若缺乏也可補學。

評分與作業

• 總分：40% 閱讀與討論；60% 研究專案。
• 閱讀討論（40%）：包含七次閱讀作業，每次指定 2 篇必讀與多篇選讀；個人作業（15%）、課堂參與討論（15%）、擔任閱讀領導或綜述領導（10%）。
• 研究專案（60%）：小組或個人專案。10% 提案、15% 期中報告/實作、25% 最終報告、10% 雙週進度更新（導師會以 bi-weekly 會議協助指導）。
• 彈性：閱讀作業有兩次 24 小時延長（wild card），專案中期與期末各有團隊可用的延長機會。

討論與分工角色

• Reading Lead（閱讀領導）：課前準備並在週四做短報告，協助整理同學找的資源與問題釐清。
• Synopsis Lead（綜述領導）：會後整合討論紀要，撰寫並公開分享討論報告。
• 其他角色（視情況）：peer reviewer、archaeologist、industry practitioner、hacker、private investigator、social impact assessor 等，用以從不同角度批判或延伸論文。

課程大綱（四大模組，約 12–13 堂課）

1. 基礎 AI（第1–4 週）：資料思維、資料蒐集、常見模型架構、訓練與泛化評估。
2. 多模態基礎（約 3–4 週）：模態間連結、融合方法、跨模態遷移。
3. 大型模型與現代 AI（春假後）：預訓練、微調、大規模多模態模型與生成式系統實務。
4. 互動 AI（最後模組）：多步推理、具體化／實體 AI、以及人機互動與安全性。

研究專案流程（重要里程碑）

• Week 2：提交短版 pre-proposal（模態、任務、團隊）。
• Week 3：分組發表提案；Week 4：提交報告版提案。
• Week 6：期中前要有初步實作樣態可展示。
• 春假後：期中報告（含初步結果）。
• Week 11、13：持續改進，做深入實驗或使用者研究（如需）。
• Week 14：期末簡報；Week 16：最終報告繳交。

可探索的研究方向範例

• 新模態（嗅覺、味覺、觸覺、穿戴式生理資料、時間序列與表格資料）之資料蒐集、標註、模型設計與評估。
• 多模態融合、跨模態遷移、在資料稀缺情境下的學習策略。
• 具體化／邊緣運算：在實體裝置上執行、能效與延遲的限制。
• 互動代理、跨步驟推理與控制系統，結合感測→決策→致動的迴路。
• 社會智能、人機互動、信任與不確定性呈現、倫理與安全性研究。

其他補充與行政事項

• 所有教材（投影片、錄影、討論紀要）會公開上網；Canvas 用於作業提交。
• 課程歡迎旁聽或正式登記；若登記請盡量出席以維持小組討論品質。
• 本週無閱讀作業；請開始思考專案題目並在下週二前填寫專案偏好表單。

總結：本課偏重「原則與實作」，目標是培養學生把 AI 應用到多樣且新穎的感官與跨模態問題上，並實際完成一個從提案到可評估結果的研究專案，同時涵蓋安全、倫理與部署考量。