【Day 22】關於「學習」到底可以產生什麼「怪物」出來？

▲ 圖 1：學習而已，怎麼可能⋯⋯會有怪物⋯⋯出現⋯⋯Midjourney 示意圖

來到最後十天，
其實每天都在想我已經有點想不到到底要開拓什麼新的領域了，
有想過要不然 AI 幫我隨機抽兩個元素決定我要創新的東西，
又或者真的懶到瘋狂問你 AI，
當然也有想過製作圖表，觀察自己還沒有接觸的領域，或者太經常說的領域，
去決定要創新的方向！
但是這些事情都離不開「學習」⋯⋯

痛點與趨勢觀察：從 CUA 到 Von，System 1 輕量化模型的快思浪潮

好吧實質上，這次決定稍微的去看 AI 的新趨勢吧，不知道大家知不知道 CUA 跟 Von 這兩個 System 1 的輕量化 AI 模型。因為最近在上助教課的時候，非常有趣的，早上看見一個新聞在介紹 CUA-S1-FORMS：

• CUA-S1-FORMS：一個輕量化的 AI 模型，能夠自動化判斷「網頁/軟體表單自動填寫」任務該如何處理執行。

上課的時候就看見其他學校留言區的學生有提及到 Jev：

• Jev：它是這波「System One」模型浪潮的始祖。它無法生成自由文字，但能以超低成本和超高速度（70~500 毫秒）將輸入的複雜狀態直接轉換成型別安全（Type-safe）的結構化決策分數，在商業上用於 AI Agent 路由、風險攔截和資料過濾。

但是呢 Jev 似乎是閉源的需要付錢的，所以這邊決定找開源替代的方法，也就是 wfzyx/von：

• Von：它是為了解決 Jev 只能走雲端 API 限制而誕生的開源替代品（Alternative）。它採用了雙向編碼器（Bidirectional Encoder）架構，大小約 3.95 億參數（~3GB），讓開發者可以直接在本地（GPU 或 CPU）進行極速的非自迴歸機率決策，API 協議也相容於 Jev。

當然以上這些一部份都是 AI 告訴我的，但是如果要得知這些最新的 AI 趨勢，我似乎都是透過看資訊與新聞、聽聞別人的說法、自主搜索這樣子的一些行動，來了解到這些前沿的科技。

認知科學與腦啟發：從果蠅連接組、神經網絡到生成對抗（GAN）

在探討 AI 領域的時候，機器學習與深度學習經常被並列討論。雖然當代許多重要 AI 系統都以深度學習為核心，但深度學習仍是機器學習的子集，兩者並未因此失去區分。

在人工智能的哲學方面，神經網絡學派或連結主義常以生物神經系統的學習方式為靈感，探討智慧是否能從單元間的連結與權重調整中湧現。這種「腦啟發 AI」的思路，也與近年果蠅全腦連接組的研究相呼應：科學家先以 AI 協助繪製果蠅大腦的神經連接圖，再以此建立模擬與計算模型，進一步啟發腦科學與人工智慧研究。

簡單說說 GAN 生成對抗網絡吧，因為真的沒把握準確的用自己的文字說明所以這邊也引用 AI 幫忙整理：

GAN（Generative Adversarial Network，生成對抗網絡） 是一種由兩個神經網路互相競爭的生成式深度學習模型：一個負責「造假」，另一個負責「辨別真假」。

在訓練過程中，鑑別器先根據自己判錯真偽的情況調整權重；接著，生成器會利用鑑別器提供的判斷訊號，經由反向傳播調整自己的權重，讓下一次生成的結果更不容易被識破。兩者交替學習，使生成器逐漸學會模仿真實資料的分布。

放在現實當中，像是一個學生在胡亂寫作業，另外老師只負責判斷作業是否像符合要求的作品，而不一定直接給出標準答案。學生根據老師判斷所形成的回饋不斷修正寫法；同時，老師也因為看過更多不同形式的作業，而更能辨別哪些作品不符合要求。經過反覆訓練後，學生產生「看起來正確」答案的能力會提高。

想著想著，真的會想起自己小時候本身成績不太好的時候，其實也不太想理會什麼所謂的學習策略，就是自己拿到高分自己就開心於是就學得越來越好，自己拿得低分自己就越對那個科目沒有興趣，可能這也是一種情況吧，說起來這個就有點像所謂的「果蠅大腦」？

但是沒想到去到探討人工智能特別是連結主義底下的神經網絡，就必須要對認知科學還有學習策略有所了解，儘管我自己本來身為門外漢，只是因為一時興起想了解多一點 AI，也莫名其妙的真的了解起這些東西來，也因為發現自己似乎理解後有能力去考一些 AI 認證，考過了，又會覺得有正面的回饋所以更加想要了解這個領域。

回想起來這整趟旅程又可以探討兩種不同的學習策略呢。

Vibe Coding 實戰一：用 Antigravity 消化前沿科技，打造概念引導儀表板

好吧回歸這次專案！既然兩種輕量模型我都不太熟悉的話，就像前一天做的⋯⋯

▲ 圖 2：Vibe Coding 出來的頁面，讓 AI 告訴你新的科技可以做什麼有趣的事情～

核心 Prompt 模組一：跨領域開源技術解構儀表板

把 github 網址（https://github.com/wfzyx/von.git ，https://github.com/trycua/cua.git ）丟給 Antigravity 的 AI 叫他幫忙下載然後告訴我這兩個 AI 模型可以幹什麼事情，像是之前的跨領域學習策略一樣，建立一個頁面介紹這兩個模型可以做什麼事情，並且輕微規劃如果是 Antigravity 可以用這兩個模型做什麼事情，從而讓我簡單消化。

💡 提示：以上內容直接複製即為標準 Prompt！

當然啦考慮到 Antigravity 的用量當然我也會比較推介是搭配你自己是學生的身份，用學生的方案解構網路上面的資源從而達到自主學習的能力。最基本的用一個頁面來讓自己了解兩個最新的科技，另一方面也方便之後自己用資源延伸出自己的個人專案。

Vibe Coding 實戰二：打造雙 Von 對抗小精靈 EXE，一隻會自主學習的「怪物」誕生！

所以接下來！了解過 CUA-S1-FORMS 可以把內容變成表單，Von 可以進行快速決策。那麼我的理念是這樣子的⋯⋯

核心 Prompt 模組二：雙 Von 生成對抗網絡桌面程式

寫一個桌面程式 EXE：程式能載入 PDF 並分析詞頻與文字關係；內建雙 Von 生成對抗機制，一個精靈根據矩陣生成 1 到 50 字的中文句子（以句號結尾且詞不重複），另一個精靈比對 PDF 原文審查真實度並產出獎懲對抗表；支援連續對抗 1 到 1000 次、對抗表 JSON 匯出與導入，介面左側有會眨眼浮動的小精靈動畫，右側有分析數據表。最後請直接執行打包指令產出應用程式。

💡 提示：以上內容直接複製即為標準 Prompt！

製作的過程也會瘋狂思考我真的需要用這些模型嗎？又或者我的專案在 vibe coding 過程當中真的有用這些模型嗎？

後來也確實確定了沒有用 CUA-S1-FORMS，但有根據資料承襲了 System 1 與 CUA 的設計哲學——「不依賴龐大的自回歸逐字生成，改用結構化打分」。

深度反思與學習策略：是 AI 替我思考，還是把知識內化成自己的怪物？

這次寫好這篇文章的時間比較晚，但後來發現都圍繞著「學習」這件事情在思考：

• 如何用 AI 了解前沿的科技在幹什麼？
• 自己如何把複雜的資料變成好看的面板讓自己內化知識？
• 如何理解深度學習裡面的學習邏輯？以生成對抗網絡為例？
• 透過個人專案實踐自己對於最新知識的理解

▲ 圖 3：對抗學習迭代到第 1543 次的生成結果

到底是 AI 替代我作深度思考把答案端到我面前逼我學起來？還是我透過 AI 給予的資料作延伸、作反思、作內化變成自己的知識？

這都是取決於人的行動以及人的行為，儘管整篇內容有很多都是 AI 提及的，就連最後的那段 prompt，都是 AI 總結我對程式的 vibe coding 修改才提出來的精簡版本，但是可能也就是這篇文章的結構及邏輯過程我希望能夠讓你看見我是如何學習的。

最後 AI 做出來的東西超古怪，產出的文字超古怪，甚至有種 San 值狂掉的感覺。在沒有生成對抗網絡之前，產出的東西超奇怪的，但是不停的迭代學習過後似乎又產出了一些似是而非的東西。

▲ 圖 4：對抗學習迭代到第 8230 次的生成結果

不過就讓我感覺出製造了一隻怪物，但是是一隻會學習的怪物出來，也不會覺得很可怕啦，畢竟自製的～有某程度上可以符合獵奇心理。

📌 本篇重點整理