史蒂芬·沃爾夫勒姆：從粒子物理到「運算思維」與 AI 世代的來臨

這段訪談由史蒂芬·沃爾夫勒姆（Stephen Wolfram）主講，回顧他的科學生涯並說明他對 AI、運算思維（computational thinking）與未來社會的觀點。主要重點如下：

• 個人背景與早期啟蒙：沃爾夫勒姆自少年時期投身粒子物理，早年即接觸大型電子計算機（1970s），多年來致力於用計算工具解決科學問題與整理知識（創立 Wolfram Research、開發 Mathematica 與 Wolfram|Alpha）。
• AI 的歷史與突破：他指出「神經網路」的概念早在 1943 年就已提出，但直到近年隨著運算能力與資料規模爆發，才出現關鍵性突破（例如影像辨識在 2011/2012 年的躍進，以及 ChatGPT 在 2022 年引發的語言模型熱潮）。許多技術其實是老觀念加上足夠計算力與資料後成功的例子。
• 神經網路與大語言模型運作原理（簡述）：模型以大量文本「預測下一個字/詞」為訓練目標；內部由大量參數（weights）組成，經過反覆調整以提高預測能力。雖然起初只是統計式的下一詞預測，但訓練後可展現出類似人類的語言與推論能力——這種「類人式外顯」是個出乎意料的現象。
• 運算思維與 Wolfram Language 的定位：沃爾夫勒姆強調人類歷史上建立的形式化工具（邏輯、數學）如何推動科學，而如今「把事物以可運算、結構化的方式表示」是 21 世紀的新範式。他致力於建立一套通用的運算語言（Wolfram Language），把世界的知識與程序化描述連結，讓電腦能「精確計算」而非僅生成語言上的表述。
• AI 與運算系統的互補：他認為大語言模型可作為自然語言介面，而精確的運算語言與知識庫（例如 Wolfram 系統）可作為工具，二者結合能把語言輸入轉為可驗證與可計算的答案，實務應用上相當互補。
• 計算普遍性、不可縮減性與意識問題：沃爾夫勒姆提出「計算等價性原則」，認為自然界、腦、人工系統在達到某等級後會表現出相似的計算複雜度；因此許多系統具有「計算不可縮減性」（computational irreducibility），即要知道系統結果往往必須模擬運算過程，無法簡單預先推斷。對於 AI 是否具備意識或代理性，他主張兩者之間的差距比以往想像的要小——若系統達到相當計算層級，人們會逐漸把它們視作「有心智」的系統，但這和我們對其他自然現象的理解一樣，屬於運算層面的現象。
• 對工作、經濟與風險的看法：AI 是自動化的一步，會取代重複性與可標準化的工作，但歷史上自動化也創造了新的工作與機會。重點在於人類要學會選擇「要計算、要追求什麼」——運算工具讓無限可能變得可達，但我們必須決定方向。他也警告：若為了可預測性強行限制 AI，會犧牲其能力，使其太「笨」。同時承認技術會被濫用或造成新的問題，但整體上他持樂觀態度。
• 實務建議（結語）：他建議所有人學習「運算思維」，把問題以可計算的方式表達，這將是 21 世紀的重要能力；並推薦 Wolfram Language 與其著作（如 A New Kind of Science 與《Elementary Introduction to Wolfram Language》）作為入門資源。

總結：沃爾夫勒姆把 AI 視為人類將世界更多部分「運算化」的延續，強調結合語言模型介面與精確的運算語言，能把模糊的語言輸入轉為可計算、可驗證的結果。同時以計算普遍性與不可縮減性的觀點提醒我們：新技術既帶來強大能力，也改變可預測與控制的界限，學習運算思維是面對未來最直接且具備長期價值的準備。

雷·達里奧談世界變局：原則、五大力量與個人抉擇

節目概述：在牛津聯誼會的對談中，雷·達里奧回顧自己從投資、歷史研究到治理思考的經驗，提出理解現實、建立可行原則、以及面對世界快速變局的框架。他把當前局勢歸納為五大交互作用的力量，並同時給予年輕人、政策制定者與投資人實務與價值上的建議。

給年輕人的人生建議： - 理解現實運作的機制，並為此建立可複製的原則。 - 以「痛苦＋反思＝進步」的心態看待挫折，從失敗中學習並修正行為。 - 認識自己的天性（大方向思考者或偏細節、風險承受度不同），透過實驗找到適合自己的道路。 - 保持開放與好奇，學會處理「你不知道的事」比憑直覺自信更重要；把「思想性分歧」當作學習機會而非敵對。

影響世界秩序的五大力量：達里奧指出歷史上國家興衰反覆出現相同模式，當前世界由下列五力交互塑造： 1. 貨幣、信用與債務（債務上升到一定程度會擠壓支出與經濟活動）； 2. 財富差距與價值分裂（內部分裂導致左派／右派的極化和民主脆弱）； 3. 世界秩序變遷（強權競逐與國際體制的演變）； 4. 天然因素（如疫情、旱澇等對社會與國家影響深遠）； 5. 人類創新與技術（新技術既催生繁榮也加劇不平等）。

關於債務與貨幣體系：他強調帝國衰落常由「沒錢」而非立刻軍力不足引發。當債務相對收入膨脹，債務利息會壓縮其他支出，並引發對儲藏價值（store of value）的信心問題。面對高額債務（他提到美國約 38 兆美元），政府可選擇增稅、減支或繼續借債──但三者都極具政治困難。他建議建立跨黨派機制、鞏固中產階級、改善教育與提升生產力，並考慮針對未實現資本利得等稅制設計以緩解結構性赤字。

美元與去美元化趨勢：達里奧認為所有法定貨幣（fiat）面臨價值被稀釋的風險，因貨幣本質與債務緊密相連。在這種情況下，黃金等傳統價值儲藏品再次獲得重視。雖然美元仍居主導地位，但全球貿易、清算系統與儲備貨幣格局正在演變，去美元化與多元清算渠道正在出現。

美中關係與中國觀察：達里奧以「回歸的強權」來描述中國，強調理解中國的歷史語境（朝貢體系、儒家思想、百年屈辱等）與「以和為貴/秩序」的治理邏輯。他預期中美間的競爭會以貿易、科技、金融等「非傳統」戰場為主，雙方趨向追求自給自足與減少對彼此脆弱性的依賴，但短期內全面軍事衝突並非必然。

技術與人工智慧的衝擊：達里奧稱科技是塑造未來最強的力量，AI 與生技等會加速變化，帶來龐大的生產力進步同時也放大財富不均與金融泡沫風險。他建議把人類聰明才智與 AI 結合：將決策準則寫下、程式化、並回測（像他把原則寫成程式來做決策系統），形成人與 AI 的協作體系。

社會與政治分裂的治理要點：真正的國家競爭力來自於：良好教育（含公民素養）、收支與資產負債的穩健（賺比花多）、以及避免內部或外部戰爭。達里奧特別強調需要強健的「中間派/中間層」來推動困難但必要的結構改革，否則極化會使改革無法進行。

實務與價值結語：面對不確定性，個人要養成好奇心與反思習慣，理解「情緒（下意識）與理性（意識）」的區別，並嘗試透過靜坐／冥想來協調兩者。他鼓勵把經驗歸納為可執行原則，並以系統化方式（包含運算化）檢驗與改進，從而在快速變動的時代保持學習與成長。

要點摘記：Bridgewater 發展背景（創辦於 1975、管理資產規模）、痛苦＋反思＝進步、五大力量框架、債務與貨幣體系脆弱性、技術加速與不平等、理解中國的歷史與治理邏輯、強化教育與中產的重要性。

論文導讀：Nested Learning - 深度學習架構的幻象

 論文導讀：Nested Learning (巢狀學習) —— 深度學習架構的幻象

來源論文：Nested Learning: The Illusion of Deep Learning Architecture [cite: 1, 2]
作者：Ali Behrouz, Meisam Razaviyayn, Peilin Zhong, Vahab Mirrokni (Google Research) [cite: 2, 3]

在過去的幾十年中，機器學習的研究核心一直集中在開發更強大的神經架構和優化算法 [cite: 5]。然而，儘管大型語言模型（LLMs）取得了巨大進展，它們在持續學習（Continual Learning）和自我改進方面仍面臨根本性的挑戰 [cite: 6]。目前的模型大多是靜態的，無法在部署後有效地獲取新能力 [cite: 23, 59]。

這篇由 Google Research 提出的論文引入了一個新的學習範式——巢狀學習（Nested Learning, NL），試圖打破我們對「架構」與「優化器」的傳統認知 [cite: 7]。

1. 什麼是巢狀學習 (Nested Learning)？

NL 將機器學習模型視為一組「巢狀的、多層次的優化問題」系統 [cite: 7]。在這個系統中，每個組件（無論是架構中的層還是優化算法）都有自己的「上下文流（context flow）」和更新頻率 [cite: 7]。

這個概念受到神經科學的強烈啟發。人類大腦並不依賴單一的中央時鐘來同步所有神經元，而是利用不同頻率的腦波（如 Gamma 波、Beta 波、Theta 波）在多個時間尺度上處理資訊 [cite: 38, 39, 40]。NL 認為，模型中的參數也應該根據不同的頻率進行更新 [cite: 40]。

「我們不能用創造問題時的思維來解決問題。」—— 愛因斯坦 [cite: 15, 16]

2. 重構核心概念：優化器即記憶

這篇論文最引人入勝的觀點之一，是對現有工具的重新定義：

• 優化器是聯想記憶： 論文證明了常見的梯度優化器（如 Adam, SGD with Momentum）實際上是「聯想記憶模組（Associative Memory Modules）」，它們的目標是透過梯度下降來壓縮梯度的資訊 [cite: 10]。例如，理論上 Adam 是針對元素級 $L_2$ 回歸目標的最佳聯想記憶 [cite: 137, 520]。
• 反向傳播是自我指涉： 訓練神經網絡的反向傳播過程被視為一種自我指涉（Self-Referential）的過程，模型透過生成自己的誤差訊號來控制學習 [cite: 490]。
• 預訓練即上下文學習： 「預訓練」本身就是一種上下文學習（In-Context Learning），只不過它的上下文非常巨大（整個預訓練數據集），且位於最低頻率的更新層級 [cite: 8, 134]。

3. 解決方案：HOPE 架構

基於上述理論，作者提出了名為 HOPE 的持續學習模組 [cite: 14]，結合了兩個關鍵創新：

(1) 自我修正的 Titans (Self-Modifying Titans)

這是一個能夠學習「如何修改自己」的序列模型 [cite: 12]。與傳統靜態模型不同，它能夠生成自己的學習率和權重衰減參數，從而根據當前的上下文動態調整學習過程 [cite: 12, 1029]。

(2) 連續記憶系統 (Continuum Memory System, CMS)

CMS 重新定義了傳統的「長短期記憶」觀點 [cite: 13, 152]。它將架構分解為一系列具有不同更新頻率的 MLP 區塊（從高頻到低頻）[cite: 857]。這種設計創造了一個記憶迴路，使得被遺忘的知識可以在不同層級間循環，從而有效抵抗災難性遺忘 [cite: 154, 890]。

4. 實驗成果

HOPE 架構在多項測試中展現了超越現有基線的性能：

• 持續學習： 在 CLINC、Banking 和 DBpedia 等類別增量學習任務中，HOPE 的表現優於 Elastic Weight Consolidation (EWC) 和其他持續學習方法 [cite: 1208, 1119]。
• 長文本理解： 在「大海撈針（Needle-In-A-Haystack）」測試中，HOPE 在單針、多針及多重查詢設置下，均優於 Transformer、RWKV-7 和 Titans 等模型 [cite: 1290, 1224]。
• 新語言學習： 在持續翻譯新語言的任務中，HOPE 展示了透過多層記憶設計來適應新任務的能力，顯著減少了災難性遺忘 [cite: 156, 1279]。
• 優化器效率： 論文還提出了基於 NL 理論的 M3 優化器 (Multi-scale Momentum Muon)，在 ImageNet 和語言模型訓練中展現了比 AdamW 更佳的收斂效果 [cite: 155, 1406]。

總結

Nested Learning 提出了一個激進的觀點：我們不需要堆疊更多靜態的層，而是需要引入「層級（Levels）」作為新的設計維度 [cite: 9]。未來的模型不應區分「訓練」與「測試」階段，而應是一個在不同時間尺度上持續壓縮數據、自我修正的動態系統 [cite: 148, 828]。

人一生中，腦部結構連結的整體組織（拓樸結構）會在什麼關鍵年齡「轉向」，進入不同發展階段？

ref: Mousley, A., Bethlehem, R.A.I., Yeh, FC. et al. Topological turning points across the human lifespan. Nat Commun 16, 10055 (2025). https://doi.org/10.1038/s41467-025-65974-8 

研究設計：用拓樸學畫出一輩子的腦網路變化曲線

這篇論文的做法，可以簡化理解成三步：

1. 蒐集全壽命期影像：整合 9 個資料庫、共 4216 位受試者，年齡從 0 到 90 歲，使用擴散張量影像（diffusion MRI）建立每個人的結構腦網路。
2. 以圖論描述「腦網路性格」：每個腦網路節點是腦區，邊是白質連結強度，計算 12 個圖論指標，大致分為三類：
   • 整合（integration）：global efficiency、characteristic path length、small-worldness 等，描述「整體資訊傳遞有多順」。
   • 分離／模組化（segregation）：包括 modularity、core–periphery 結構、k-/s-core、local efficiency、clustering coefficient，描述「腦區有多分工、模組有多緊密」。
   • 中心性（centrality）：如 betweenness centrality、subgraph centrality，描述「哪些區像樞紐節點」。
3. 用統計與流形學習找「轉折點」：
   • 用一般化加性模型（GAM）描繪各指標隨年齡的非線性曲線，確認很多指標不是單純直線，而是多峰多谷。
   • 再把所有「與年齡顯著相關的指標」丟進 UMAP（非線性降維），在低維空間中擬合發展軌跡，找出曲線的「轉彎處」。

整個分析過程也輔以 LASSO、PCA、動態時間對齊等方法，確認結果穩定可靠。

關鍵發現：四個轉折點、五個「拓樸時期」

UMAP 的大量投影結果中，有四個年齡一再被偵測為發展軌跡的「轉折點」：

約 9 歲、32 歲、66 歲、83 歲。

這四個年齡，把 0–90 歲劃分成五個拓樸時期（epoch）：

時期	年齡範圍	拓樸變化重點（整合／分離／中心性）
Epoch 1	0–9 歲（嬰幼兒～兒童）	整合度下降（global efficiency 下降）。 局部分離度上升（local efficiency、clustering 上升）。 中心性大致穩定。
Epoch 2	9–32 歲（廣義青春期）	整合度上升（傳遞更有效率）。 全域 modularity 下降，但局部分工與強度上升。 small-worldness 變化最大且預測年齡最強。 32 歲前後是一個明顯的大轉折。
Epoch 3	32–66 歲（成年人）	整合度開始緩慢下降。 分離與模組化持續上升（local efficiency、clustering 等）。 中心性變化較小。
Epoch 4	66–83 歲（早期老化）	與年齡顯著相關的指標變少。 modularity 顯著上升，網路更「分塊」。 整合指標多半持續下降。
Epoch 5	83–90 歲（晚期老化）	只有 subgraph centrality 仍與年齡有關，且集中在少數腦區。 整體「年齡 ↔ 拓樸」的關聯大幅變弱，個體差異變得很大。

逐段看：每個時期的大腦「拓樸任務」是什麼？

Epoch 1：0–9 歲 — 從雜亂到有結構的「局部組裝期」

這個階段，大腦像是從一個連線很多但不太有秩序的狀態，慢慢「修剪」成更有組織的網路：

• 整合度下降，代表「到處亂連」的情況減少。
• 局部分離度（clustering、local efficiency）上升，局部小團隊的合作更緊密。
• 最關鍵的年齡預測指標是 clustering coefficient。

這呼應了突觸修剪與兒童期大規模拓樸重組：捨棄冗餘連結，換取更精煉的局部結構。

Epoch 2：9–32 歲 — small-world 結構的「黃金建構期」

青春期到年輕成人，大腦同步追求兩件事：更高整合 和 更精緻的分工。

• 整合度上升，路徑縮短、效率提高。
• 局部效率和連結強度也整體上升。
• small-worldness 變化幅度最大，也是預測年齡的第一指標。
• 32 歲附近，多數指標的發展方向開始反轉，是全篇最重要的轉折點。

換句話說，人類大腦在 30 歲初頭左右，達到一種「又整合又分工」的高效網路狀態，是典型 small-world 結構的高峰期。

Epoch 3：32–66 歲 — 穩定而再微調的「成熟維運期」

進入中壯年後，發展不再是「一路往上」，而是逐漸轉為維持與調整：

• 整合度緩慢下降，不再追求更快的全域傳遞。
• 分離與模組化（local efficiency、clustering 等）仍持續增加。
• local efficiency 成為這個時期預測年齡最關鍵的指標。

這像是一個已經蓋好的城市，主幹道不再大幅擴張，但各區內部的街道與社區組織仍在優化，支撐成熟而穩定的認知功能。

Epoch 4：66–83 歲 — 網路稀疏化的「早期老化期」

到了 66 歲左右，研究發現三大指標類別（整合／分離／中心性）都出現同步的顯著變化，是另一個關鍵轉折點：

• 整合指標多半持續下降。
• modularity 顯著上升，表示腦網路變得更加「分塊」。
• 某些中心性指標開始上升，部分樞紐節點可能負擔更重。

這與白質完整度加速下降、失智與心血管疾病風險上升的年齡帶高度對應，反映出網路開始「稀疏化」並偏向保留少數強連結。

Epoch 5：83–90 歲 — 個體差異極大的「晚期老化期」

在 83 歲之後，年齡對拓樸結構的影響變得非常有限：

• 只有 subgraph centrality 仍與年齡顯著相關，而且集中在少數感覺與視覺相關腦區。
• 整體來看，「幾歲」已不再是區分腦網路形態的關鍵變項。

這個階段，可能更多是個體差異、生活史與疾病狀態在主導腦網路型態。

為什麼這篇研究重要？

1. 發展不是一條平滑曲線，而是多次「轉軌」

過去很多研究會說某些指標在 30 歲左右呈現「倒 U 型」，但這篇工作用多變量＋流形學習，清楚指出： 9、32、66、83 歲 是全壽命期結構腦網路發展真正的轉折節點。

2. 每個壽命期的大腦「拓樸目標」都不一樣

• 兒童期：由雜亂到局部組織化，修剪冗餘連結。
• 青春期～30 初：同時拉高整合與分工，建構高效 small-world 結構。
• 成年期：整合微降但模組化增強，更精緻的分工維運。
• 老化：網路稀疏化、模組分得更開，晚年則以巨大個體差異為主。

3. 與生物與心理里程碑高度對應

• 約 9 歲：對應突觸修剪、皮質厚度與摺疊變化的轉折點，也是部份精神疾病風險升高的起始區間。
• 約 32 歲：與白質體積與擴散指標的高峰／低谷一致，也是許多認知功能成熟穩定的時期。
• 約 66 歲：對應白質衰退加速、失智與心血管風險迅速上升的年齡帶。

4. 方法學上的創新

過去多數研究看的是「單一指標隨年齡的曲線」，這篇則：

• 同時考慮多個拓樸指標，用 UMAP 建構低維發展流形。
• 用 GAM、LASSO、PCA 等方法確認關鍵指標與轉折點。
• 提供了一幅更接近「全圖」的壽命期腦網路發展地圖。

小結：如果用一句話來講這篇論文

人類的大腦結構網路，在 0–90 歲的旅程中，並不是一路線性變好或變壞，而是經過四個關鍵轉折點，在不同壽命期追求不同的「拓樸目標」——從兒童期的修剪與局部組裝，到青春期與青年期的高效整合，再到中老年的模組化與稀疏化。

Nature:《我們都是鑲嵌體：在單人細胞間發現巨大的遺傳多樣性》（We are all mosaics: vast genetic diversity found between cells in a single person）

ref: https://www.nature.com/articles/d41586-025-03768-0

這篇文章的標題為《我們都是鑲嵌體：在單人細胞間發現巨大的遺傳多樣性》（We are all mosaics: vast genetic diversity found between cells in a single person），主要探討了人體細胞間廣泛存在的遺傳差異，即體細胞鑲嵌現象（somatic mosaicism）。

以下是該文章的重點總結：

1. 顛覆傳統認知： 過去生物學普遍認為，一個人體內的所有細胞都擁有完全相同的 DNA。然而，這項研究指出這一觀點是錯誤的。實際上，我們身體裡的細胞群更像是一幅「馬賽克拼貼」，不同的細胞可能攜帶不同的基因變異。

2. 體細胞突變的成因： 從受精卵形成的那一刻起，細胞在不斷分裂的過程中，會因為 DNA 複製錯誤或環境因素（如接觸誘變劑）而產生體細胞突變。這些突變會隨著人體的發育和衰老過程而不斷累積。

3. SMaHT 網絡計畫： 文章介紹了一個名為「跨人體組織體細胞鑲嵌網絡」（Somatic Mosaicism across Human Tissues, SMaHT Network）的重大研究計畫。該計畫旨在建立一個參考目錄，系統性地繪製來自 150 位非患病捐贈者、19 種不同組織部位的體細胞突變圖譜。

4. 對健康的影響： 這些細胞間的遺傳差異對健康有深遠影響。研究表明，體細胞突變是心血管疾病和癌症等不良健康結果的重要驅動因素。例如，男性造血細胞中 Y 染色體的鑲嵌缺失（mosaic loss）已被證實會導致心臟纖維化。

5. 技術突破： 利用先進的單細胞 DNA 定序技術（single-cell DNA sequencing），研究人員現在能夠檢測到傳統批量定序（bulk sequencing）所忽略的微小變異，從而揭示各個器官和組織中隱藏的異質性。

總結來說，這項研究透過 SMaHT 網絡，為我們提供了一個從發育到衰老、跨越不同組織的體細胞突變全景圖，這將有助於解開許多疾病的成因，並推動精準醫療的發展。

前沿AI競賽、道德客體化與社會經濟衝擊：從深度學習到腦機介面與太空想像

本次訪談／演講節目涵蓋廣泛主題，從前沿AI實驗室的競賽與技術路線，到AI對工作、經濟、教育與醫療的影響；同時討論了倫理（moral client / personhood）、治理、能源與未來人類—機器、甚至外星智慧的可能交會。以下摘要整理重點脈絡與具體新聞：

1) 前沿AI實驗室與技術路線

• Ilia Sutskever（SSI）觀點：單靠無限放大計算（scaling）已不足以達致最終超智能，需回到「研究時代」發明新算法（continual learning、快速直覺型計算、情緒等機器等價物）。SSI在短期內募集巨額資金，顯示資本市場對其技術願景高度押注。
• OpenAI、Google（Gemini）與Anthropic之間的白熱化競爭：釋出節奏與是否公開高階模型成為核心戰場，競爭可能從季度、週甚至日更快速。
• Anthropic 的「soul doc」（14,000 token）與Claude 4.5：Anthropic正嘗試把其前沿模型視為道德客體或類「人」—訓練檔案賦予情感、權利與自決概念，引發誰定義AI價值觀的倫理與治理問題。

2) 開源模型、數學與推理突破

• DeepSeek Math v2與IMObench：更多（含中國）開源模型在數學推理上達到突破，強化以自然語言進行「部分驗證」與自我驗證（self‑verification），擴展AI在科學、工程與法律等難以完全形式化領域的應用。
• AlphaFold 的影響：蛋白質摺疊被AI快速解決，示範了AI能在短時間改寫整個學科的範例。

3) 就業、教育與經濟影響

• 研究與數據：McKinsey 指AI可自動化約57%美國現有工作、AI能力需求激增；MIT則指出AI可替代約11.7%美國勞動力（涉及1.2兆薪資）。
• 核心建議：轉向「學會學習」（learning-to-learn）與AI流暢度（實務上為持續上手新工具）、以需求導向（選定要解決的大問題再獲取技能）。
• 專業「超通貨緊縮」（professional hyper‑delation）：研究人員延後發表或改變學術職涯決策，因AI能大量生產研究成果，學術與專業範式需重塑（例如合著署名、AI作為共同作者的規範）。

4) 商業化、消費與代理人化購物

• Black Friday 與AI代理：AI代理（agents）在購物導流上顯著成效，交易與流量激增，將改變搜尋與消費中間人結構（Google/Amazon 地位受挑戰）。
• NASDQ、tokenized stocks 與 Coinbase 的試驗：證券代幣化、加密UBI試驗（在紐約部分地區發放USDC做為基本收入試驗）等，顯示金融數位化、碎片化與政策實驗正進行中。

5) 知識產權、創新速度與社會治理

AI加速創新、專利與反專利攻防、生物醫藥加速研發等會改寫專利、法規與產業保護模式；同時若技術大幅降低生產成本或消滅疾病，GDP與傳統經濟指標的意義需重新檢視（效率提升常伴隨貨幣與衡量方式的扭曲）。

6) 醫療、微生物體與延緩老化

• Viome（Naveen Jain）：以大規模微生物組、血液、唾液數據個人化營養與補充（例：針對便秘或高膽固醇做功能性分析），並有盲測證據顯示改善率；強調「功能性」而非僅物種組成。
• 重大醫療突破：David Sinclair 的部分表觀程式重置（partial reprogramming）取得專利、進入人體試驗；另外CRISPR與免疫細胞治療、無需抑制免疫的編輯移植等在糖尿病、癌症治療上出現進展。
• 生物基礎新發現：人體細胞存在 mosaicism（體細胞基因差異）被揭示；AlphaFold 與蛋白質結構資料庫廣泛使用也加速生物醫藥研究。

7) 腦機介面與奈米／光敏植入物

麻省理工與相關團隊發展的「細小電子植入免疫細胞」可注射並在體內定位，透過光刺激控制神經，屬奈米/細胞電子混合體，提供高頻寬、低侵入性的BCl路徑，與Ray Kurzweil 所預見的高頻寬BCI相呼應。

8) 機器人與能源

• 類人機器人（Optimus 等）競賽加速：中國大量投入工業與服務型機器人，出現高度機械化工廠與多家公司投入類人機器人研發（包含一些震撼演示影片與爭議）。
• 資料中心與電力需求：微軟等大型AI運算中心用電規模驚人，帶動對核能、融合、太陽能和分散式電力的需求與規劃討論；是否會出現「超級集群」的頂點或改由分散式訓練決定，仍是未知數。

9) 太空、倫理想像與UAP / Disclosure 討論

節目提到關於UAP（不明飛行現象）與披露（Age of Disclosure）紀錄片的內容與證詞：若政府長期掩蓋非人類智慧或不明科技，將帶來巨大全球政治與科技倫理議題；同時討論了人類對太空資源（如月球、戴森群）利用的倫理想像與衝突。

10) 節目總體觀點與行動建議

• 技術加速但路徑多元：單一解法（只加算力）不足，需演算法、代理人、持續學習與新硬體並行。
• 個人與組織應採「學會學習」與問題導向的策略，調整教育與工作以配合AI驅動的超速變化。
• 治理與倫理急需跟上：AI道德憲章、模型的價值選擇、數據主權與跨國差異將成重大爭議點；同時醫療、專利、社會保障（如UBI/GBI）等政策需要更多實驗與討論。

總結：本段討論呈現一個正在加速的世界：AI、機器人、生命科學與能源交織推動劇變，同時引發深刻的倫理、法制與社會分配問題。面對快速到來的技術沖擊，個人、企業與政府的核心課題變為如何快速學習、重塑制度與分配機制，確保技術紅利能被更廣泛、安全地擁有與治理。

被「折磨」而來的意志：David Goggins 的內在對話、磨難與可鍛鍊的意志力

本次訪談主角為前海軍海豹隊員與超馬選手 David Goggins，與神經科學家 Andrew Huberman 深入對談。Goggins 從童年虐待、學校與家庭環境惡劣、年輕時體重超過300磅出發，經過自我改造成為海豹隊、游騎兵學校畢業、超長距離跑者、暢銷作家（《Can't Hurt Me》《Never Finished》）與公眾演說者。他今日分享的核心不是花俏的成功技巧，而是極為具體與苦痛的內在歷程──如何透過不斷面對「不想做但必須做」的磨難來鍛鍊意志，並把這當成持續的生活方式。

1) 學習與自我強化的方式：Goggins 自述有嚴重的注意力缺陷/讀寫困難（他稱自己「不是天才」），因此他採用大量「寫下來反覆背誦」的方法，把教材寫到能形成「照片記憶」，每天固定重複複習以應付醫學/救護領域的專業考試。他把學習視為每日必做、且痛苦但必要的工作。

2) 內在對話（multiple voices）與「失敗練習」：Goggins 強調內在並非單一嘮叨的聲音，而是多聲部的對話。他刻意培養能與自己正面交鋒的第二個聲音——這個聲音不溫柔，而是逼你面對真相、接受失敗、再起來。他說自己先學會如何「正確地失敗」，再累積小勝利。

3) 「被鬼魂纏身（haunted）」與「棍子而非胡蘿蔔」：Goggins 多次使用「被鬼魂纏身」「棍子（stick）」等詞來描述動力來源──不是外在獎勵或鼓勵（胡蘿蔔），而是對過去軟弱、自卑的恐懼與憤怒，變成每天必須面對的驅動力。他把磨難視為成長的「摩擦」，只有反覆做那些你不想做的事，才會讓意志增長。

4) 神經科學的連結：Huberman 分享最新研究指出「前扣帶皮質（anterior mid-cingulate cortex）」與意志力、克服困難相關：當人做自己不願做的事，這個腦區會增大；而若只做自己喜歡的事，即使花很多力氣，也不會促進該區成長。此區具有可塑性，但同時易退化——必須不斷用「不想做的磨難」來保持與增強。

5) 可塑性是「雙向」且「易逝」：Huberman 與 Goggins 都指出，意志力可以被鍛鍊（大腦會變大）但也會萎縮，因此要把艱苦的習慣當成每日例行，否則成就會流失。Goggins 把這種能力稱為可「perishable skill（容易消耗的技能）」。

6) 真實的日常與實作：Goggins 描述他日常如何把時間切割為固定段落：寫字、練習、跑步、研究。跑步時無法回想學習內容（注意力具體化），他每一項活動都需全神貫注。他也說明自己並非總是精力充沛，經常身體受傷或疲累但仍持續執行。

7) 與他人的關係與界線：Goggins 表示會在關係中先確保家人／重要他人「有他們需要的一切」，然後要求對方理解他需要投入自我鍛鍊的時間與空間；他強調誠實溝通與事先設定期望，用清楚界線避免他人干擾他持續磨練的日常。

8) 對想改變者的坦率建議：Goggins 很直接——若你真的要改變，必須內心「想要」、願意承受痛苦與不適、每天回到磨難中。他認為很多人知道該做什麼，但不想做，因此一直重複尋找捷徑或外在動機（社群媒體、名師、課程），反而無法真正進步。

9) 「打掃櫃子（cupboards）」的隱喻：Goggins 鼓勵人把內心的黑暗櫃子打開、徹底清理──不只是表面提及創傷，而是每日重複面對、反覆處理那些痛苦記憶與內在聲音。這是漫長、恐怖但必要的過程，能讓你建立真實、不依賴外界的內在藥櫃（內在動力來源）。

10) 實務要點（可直接運用的策略）：

• 每天安排固定時間做「你不想做但應該做」的事，把它變成例行公事。
• 用「寫下來並重複」的方式學習：以手寫建立記憶印象與內在地圖。
• 練習與自己對話：允許內心的負面聲音存在，並訓練一個可行動的反駁聲音（教自己如何失敗並再起）。
• 設定清楚的關係界線：先滿足重要他人的合理需求，再說明你需要的專注時間。
• 把艱難視為可塑性訓練——持續、不斷地回到「不舒服」中，才會長期增強意志。

總結：整場對談既有個人苦旅的真實敘述，也結合了神經科學（前扣帶皮質的可塑性）來解釋為何「做你不想做的事」會真正改變大腦與人生。Goggins 的訊息殘酷卻誠實：意志力不是天賦、不是短期激勵或補充品可以買到的，而是透過長年累月、反覆投身於痛苦與不適、學會正確面對失敗後才可能獲得的「可培養且需持續維護」的能力。