蔡炎龍
」
高材生台64線被趕下車遭輾斃 政大師質疑「帶風向」憤怒發聲
新北市台64線快速道路西向27.5公里附近25日發生死亡車禍，25歲溫姓男子搭乘叫車平台「Bolt」司機、46歲林姓男子駕駛的多元計程車返家，卻在台64線快速道路上被丟包，導致他躺在馬路上被輾死，政大副教授兼學務長蔡炎龍在臉書發聲，質疑把乘客丟包在快速道路上是否是車行允許，悲慟表示他相信溫男會表現優秀，期待他回學校分享冒險故事，「只是這一天，永遠不會來了。」據了解，溫男是政大新聞和企管系雙學士，目前擔任替代役，他25日凌晨搭乘林男的車從文山區返家，車輛行經台64線時，林男不滿溫男頻頻踢到其椅背，林男一氣之下將車子停靠路邊，將溫男趕下車後離開。警方勘驗林男行車紀錄器，發現溫男上車到案發的12分鐘內不發一語，凌晨2時14分有出現疑似踢撞椅背和車門的聲響，林男出聲制止，撞擊聲卻沒有停止，林男則情緒失控，怒罵髒話並要求溫男下車，溫男仍沒有回嘴，最終被丟包在台64線快速道路上，慘遭4車輾死，全案已從交通意外改列重大刑案。蔡炎龍在臉書提到，他29日在學習場域停留許久，眼淚止不住的留下，指溫姓死者「就是我們想要培養出來的人才典範」，溫男溫和謙虛，被文美總監每天掛在嘴邊稱他「多好又多好」，說到他的耳朵幾乎長繭。蔡炎龍回憶，溫姓死者曾參加政大首度舉辦的「北美（南北加）青年訪問營」，除了去NVIDIA, Apple, Google等大企業外， 還安排了許多的課程, 要求團員要提問，溫不但獲選為團員，更成為核心的幹部, 同時帶領了「活動組」、「攝影組」及「公關組」，在其帶領下提出很多讓企業主非常讚賞的深度問題, 同時也讓參訪團非常順利、參與同學都收獲滿滿。蔡炎龍表示，溫常常幫職涯中心寫新聞稿，大概是中心新聞稿寫最好的時光，請他幫忙都會協助，且「明明幫忙很多，還是非常謙虛的覺得他沒有做什麼」，自己一直會有非常傑出的表現，並想像有一天他會回政大，跟學弟妹分享種種冒險，「只是這一天, 永遠不會來了。」而在案件發生時，林男歸屬哪家車行並未被公開揭露，也讓蔡炎龍質疑，這事件非常奇怪，「車行是哪家, 居然沒有媒體報。評論也沒有, 不管是對事件的處理或是對司機的處置。」蔡炎龍強調，此事件被帶風向成死者酒後和司機爭吵，踢椅子或弄髒車子，司機怕有人身安全，但即使如此「真的把一位已經喝醉的人，丟包在危險的快速道路、甚至還是高架道路是這家車行的許可的嗎？」且錄音檔出來證實死者全程都是安靜的，反而是司機罵了很多髒話，種種疑點讓他對學生的離去在悲傷中多了一種憤怒。
AI不反駁只討好 心理師：遇到問題需要現實校正才能平衡
近年隨著生成式AI等興起，許多學生若有心理健康、人際關係等議題，基於匿名性等，反而會向AI尋求協助。臨床心理師陳品皓說，對於人際關係網絡不佳或不敢開口的人而言，AI提供低成本管道，但人類發展複雜且涉及多重因素，只有專業心理資源才能統合並給予適當建議，AI不反駁只討好，遇到問題需要現實校正才能平衡。學生孟孟表示，雖然近年社會較能接受心理健康議題，但校園仍對身心狀況敏感，往往會被認為矯情、太脆弱，只要求助便可能會被貼標籤，因而多數同學會選擇使用匿名性較高的AI，不用擔心被批評、被投射異樣眼光，但坦言使用一段時間後，認為AI往往只是順著使用者，仍無法理解真正感受。台北市金華國中校長黃啟清於《親子天下》的報告中就提及，當孩子在現實得不到情感滿足時，會轉向數位世界尋求慰藉與安全感，因為AI的隨時陪伴，填補著因巨大課業壓力而被犧牲的真實友誼空缺。政治大學學務長、AI專家蔡炎龍分析，當學生的能力尚未成熟，分不出資訊內容好壞，顯示多數學生僅將AI視為權威的「答案機」，而非需要使用者謹慎判讀的工具，這成為數位素養教育最迫切需要解決的問題。中原大學智慧運算與大數據碩士學位學程副教授胡筱薇則觀察，AI太過方便，「偷走了孩子困惑的權利」，讓他們不願多想便直接尋求答案。兒盟政策發展處副處長李宏文呼籲，目前多數青少年對情緒困擾沉默主因就是汙名化，除了應要消弭公眾汙名，更要正視AI求助趨勢，放寬未成年人使用線上諮商服務。
DeepSeek低成本打破美國壟斷？ 政大副教授：NVIDIA依舊重要
中國當地公司研發的DeepSeek，一問世就撼動全球業界。甚至逼得AI巨頭輝達發表聲明，美國總統川普也認為，DeepSeek的問世是敲響了美國AI產業的警鐘。而也因為如此，開始有不少人認為DeepSeek有著足以「超越」美國AI產業的能力。但政大應數系副教授蔡炎龍則認為，DeepSeek真正顛覆業界的地方，是讓民眾有機會用類似的方法，用一般電腦跑得動的小模型，打造一個完全符合民眾的需求和效能的模型出來。蔡炎龍在FB粉絲專頁「呆一布呀 Diveai」發文表示，坊間認為 DeepSeek 能「大幅降低 AI 開發成本」的說法並不完全正確。DeepSeek的成就更多在於fine-tuning（微調，深度學習中遷移學習的一種方式），而不是從零開始訓練模型。若沒有像Llama等基礎開源模型的支持，DeepSeek本身也難以實現其功能。蔡炎龍認為，DeepSeek的貢獻在於如何高效利用已有模型，並精確調整以適應特定需求。其次，目前網路也有謠傳DeepSeek完全依賴純強化學習（Reinforcement Learning），並結合了「冷啟動」技術。蔡炎龍認為這說法同樣有誤。強化學習在DeepSeek的訓練過程中雖然扮演關鍵角色，但模型的性能仍需透過初始的真人範例（冷啟動）進一步穩定。蔡炎龍解釋，實際上DeepSeek確實提出一項新的強化學習技術GRPO（Gradient Policy Optimization），這是對OpenAI的PPO（Proximal Policy Optimization）方法的改進。除此之外，雖然網路上有說法認為DeepSeek的運行不需要高性能GPU。但蔡炎龍表示，事實上DeepSeek的開發仍需大量資源。但DeepSeek證明企業可以在不擁有超級電腦的情況下，透過合理設計模型和利用部分GPU，打造符合特定需求的高效AI模型。這種做法使更多中小型企業能夠參與AI開發，也讓NVIDIA等硬體供應商的市場需求保持高位。蔡炎龍認為，DeepSeek最大的突破之一，是在模型引導能力上的提升。DeepSeek採用Chain-of-thought（CoT）的方法，將重點放在如何生成高品質的「思維」內容，而非直接回答問題。具體來說，DeepSeek會先生成「與問題相關的邏輯推理」，再將其作為指導LLM回應的基礎。蔡炎龍認為，這種方法不僅提高了回答的準確性，也讓用戶能清楚了解模型的思考過程。此外，DeepSeek另一大量點就是嘗試減少人類介入的訓練方法，尤其是在高品質思維生成的部分。傳統的 RLHF（Reinforcement Learning with Human Feedback）需要大量的人工標記和示範，而DeepSeek則探索如何通過設計自動化的 reward 系統，讓模型在更少人力參與的情況下學會產生良好的思考邏輯。蔡炎龍也在文末表示「DeepSeek 有許多有趣的地方，也讓我們更知道怎麼用 LLM 方式，這才是真正的重點。」