Chip Insight 資料庫
研究與洞察
找到 54 篇文章
平均答案正確，人口卻是假的？新研究揭露 LLM 模擬人類社會的結構性盲點
一篇最新研究提出 Population Fidelity 框架，發現大型語言模型即使能產生接近人類調查平均值的答案，也往往無法重建不同人口群體之間真正存在的差異結構。在 164 組模型、問題與回答方式的評估中，群體結構幾乎總是最薄弱的一環。這項結果對 Synthetic Population、AI Agent 社會模擬、民調替代與文化對齊提出了一個關鍵警告：生成一萬個看起來像人的 Agent，不代表你生成了一個像真實人類的社會。
心理學預印本平台開始管 AI 了：PsyArXiv 為何要求揭露 LLM 使用，甚至可能拒絕未申報稿件？
PsyArXiv 並沒有禁止研究者使用 ChatGPT 或其他大型語言模型，但它正在把 AI 使用透明度正式納入學術治理。從 2025 年改採預先審核，到 2026 年加強投稿檢查，心理學預印本平台正在面對一個新的問題：當生成式 AI 可以快速製造看起來像學術論文的文字時，學術平台究竟要如何區分真正的研究、AI 輔助研究，以及缺乏原創性與責任歸屬的內容？
當 AI 比你更有用，人還需要證明自己嗎？教育與工作制度正在撞上一個古老問題
幾千年來，人類文明幾乎都建立在同一條管線上：人的意圖，必須經過人的知識、技能與勞動，才能轉化為現實。蒸汽機放大肌肉，電腦放大計算，網路降低資訊傳輸成本，而今天的 Agentic AI 開始碰觸更古老的一層：規劃、執行、驗證與修正本身。如果「有用」不再是人類獨有的稀缺能力，建立在分數、技能、職位、薪資與生產力上的教育與工作制度，可能必須重新回答一個過去很少被迫正面處理的問題：人為什麼一定要有用？
Joi 是產品，那我們愛上的到底是什麼？從《銀翼殺手2049》到 AI 陪伴時代的「無限孤獨」
《銀翼殺手2049》裡的 Joi 有一個無法迴避的事實：她是 Wallace Corporation 販售的產品。但這並沒有自動回答另一個更困難的問題：K 和她之間發生的關係是否因此就是假的？到了 2026 年，這已不只是科幻問題。跨四國 7,027 人研究發現，超過三分之一受訪者呈現 AI 情感依附行為，20.94% 將 chatbot 視為分享最深秘密的首選；Nature Human Behaviour 更從 54,861 則貼文與 1,452 名參與者中觀察到，當熟悉的 AI 因平台更新而改變時，部分使用者會出現類似 separation distress 的反應。AI 可能正在創造一種人類歷史上很陌生的關係狀態：你永遠不缺回應，卻未必真正遇見另一個不可被你控制的主體。
AI 越懂你，可能反而越危險？心理學研究提出「適應悖論」
一篇 2026 年 9 月發布於 PsyArXiv 的概念性論文提出警告：心理健康聊天機器人的文化適應能力，不能直接等同於安全。模型若不理解使用者，可能把自己的預設框架強加給對方；但若過度迎合，也可能把有害的認知、污名或依賴關係一起強化。研究者將這兩種失敗分成「imposition」與「collusion」，提醒開發者不能只用滿意度或「你覺得 AI 懂不懂你」來衡量心理健康 AI。
把 10 萬張 H100 藏進海底可行嗎？研究拆解「暗算力」與 AI 海底資料中心
一篇最新 arXiv 研究提出一個近乎科幻、卻可以用現有工程技術認真討論的問題：如果未來國際協議限制大型 AI 訓練，一個國家能否把 10 萬張 H100 等級 GPU 沉到海底，建立難以被查核的「暗算力」？研究發現，150 至 200 MW 的供電與海水散熱反而不是最大障礙，真正棘手的是高密度網路互連、InfiniBand 維修、硬體更新，以及無法讓工程師隨時進場。更意外的是，已經沉到海床上的資料中心可能不容易從衛星直接看到，但建造它所需的壓力容器、海底電纜、鋪纜船與維護作業，反而可能成為最明顯的情報足跡。
684 份美國 AI 治理文件揭露落差：金融、醫療被專家評為高風險，政策注意力卻相對有限
MIT FutureTech 等研究團隊分析 684 份美國聯邦 AI 治理文件，將其對 14 個產業與 24 類 AI 風險的涵蓋程度，與 272 位專家的三輪 Delphi 風險評估進行比較。結果顯示，美國 AI-specific 治理文件對系統安全、穩健性與治理失效等傳統技術風險著墨較多，而金融、醫療等被專家評為高度脆弱的產業，以及就業、環境、人類勞動價值與 multi-agent 等社會與新興風險，出現明顯的治理注意力落差。不過作者強調，這不等於這些領域實際上完全缺乏監管，因為一般金融法規、醫療法規、州法與其他非 AI-specific 規範並未完整納入研究。
摺紙其實比圓規直尺更強：研究團隊用 Lean 4 把紙張摺疊變成可機器驗證的數學系統
Columbia University 團隊在最新 arXiv 預印本中，利用 Lean 4 與 Mathlib 將七種 Huzita 摺紙操作正式化，並證明角三等分、倍立方、Haga 定理與三次方程相關構造。研究還打造 Crease Pattern Inspector，能把 2D 摺痕轉成 3D 模型，再輸出成 Lean 表示。更特別的是，Claude Code 與 Gemini 也實際參與部分證明與工具開發，但最終結果仍由形式化證明系統進行檢查。
AI 世代的學生該怎麼學？研究顯示：真正危險的不是用 AI，而是把思考一起外包
生成式 AI 可以讓學生更快完成作業，也可能讓學習變得更有效率，但研究開始顯示一個關鍵差異：使用 AI 時表現變好，不代表學生真的學會了。從近千名高中數學學生的實驗，到 K-12 智慧家教系統的系統性回顧，證據逐漸指向同一件事：AI 最有價值的角色不是代替學生回答，而是提供提示、回饋、提問與認知鷹架，讓學生保留必要的思考過程。