民主允许人民拥有政治自由和言论自由，提供人们寻求真相的机制和教育，可以揭开当前或历史事件背后扭曲、歪曲、意识形态和阶级利益的面纱下隐藏的真相。因此，享有的独特「智识」特权，知识份子的责任深远。语言学家和哲学家杭士基（Avram Noam Chomsky）指出：「知识份子有责任讲真话，揭露谎言。」这句话强调具有知识和理解力的人士在伦理上有责任传播准确的信息，并揭露虚假。今日，人工智能（AI）成为一种强大的工具，与这种责任相契合，它提供了前所未有的能力，既能揭露又能对抗错误信息。AI在验证信息和检测虚假方面有其威力。人类利用机器学习算法，可以分析大量数据，将主张与已确立的事实交叉参照，以验证其准确性，提供超出人类能力范围的洞察。例如，Facebook和X等平臺使用AI来检测和标记虚假信息。AI能够迅速揭穿在社交媒体和其他平臺上流传的虚假主张，有效遏制错误信息的传播。AI在对抗Deepfake（使用AI创建的高度逼真但虚假的音频和影片内容）方面也发挥重要作用。先进的AI模型通过分析人类无法察觉的微小不一致性来检测Deepfake，保持信息的完整性，防止操纵内容的传播。例如，微软（Microsoft）开发的Video Authenticator工具能够分析视讯中像素的细微变化，检测出Deepfake，从而维护信息的真实性。随著生成式AI的快速进步，单纯的侦测已成为一场永无止境的竞赛。为此，微软等业界领导者已将策略从被动侦测，升级为主动建立信任的「来源证明」（Provenance）架构。他们共同发起「内容来源与真实性联盟」（C2PA），并推动「内容凭证」（Content Credentials）技术标准。这个标准如同數字内容的「营养标签」，可以在档案中嵌入其来源、作者及编辑历史，让使用者能轻松查验信息的真实性。今日大语言模型（LLM）的聊天应用贪婪地吞噬巨量的数据，在对话中找到最合理的答案，或是在科学问题中找到最有可能的解答。杭士基认为LLM「基本上是一种比较高科技的剽窃」和「逃避学习的方式」。人类的心智不像LLM，而是一个更惊人、有效率又优雅的系统，仅用有限的信息就能运作。它不会试图从数据中找出关联性，而是努力创造解释，分辨是非。要达到杭士基的理想，AI应该朝说真话和揭露谎言方面整合，赋予深远的社会意义。AI应增强知识份子有效履行职责的能力，确保准确信息在公共领域中传播。随著AI的不断进化，它在保持信息完整性方面的角色将变得日益重要。特别是在政治选举和公共卫生等关键领域，AI可以帮助确保信息的透明和准确，保护民主进程和公共利益。然而，使用AI寻求真相，开发人员必须确保AI系统的公正透明，避免传播虚假信息或不公正的结果。例如，AI算法在训练数据上的偏见可能导致不公平的结果，必须有严格的审查和调整。我们必须设置监管架构来监督AI在信息传播中的使用，平衡其潜在的好处与伦理考虑。社会必须对AI的潜在滥用保持警惕。技术人员、伦理学家和政策制定者之间必须持续的对话，负责任地使用AI，创造一个真理繁荣且虚假最小化的环境。因此，未来的发展需以品德教育为首，确保AI服务于真理和正义，达成杭士基对知识份子责任的愿景。

二维材料曾被视为延续半导体微缩的重要候选者。由于它们薄到只剩下原子等级，理论上非常适合制作尺吋极小、功耗极低的晶體管。然而，当这些想法真正走向先进逻辑制程，挑战才开始全面浮现。问题在于使用二维材料制作FET的制程要求近乎对单一原子的控制。逻辑芯片对材料与制程的要求，已进入极度严苛的阶段。首先是一致性与稳定性的问题。先进逻辑芯片内含数十亿颗晶體管，它们必须在极高时脉下同步运作。任何微小差异，都可能影响整体效能甚至良率。由于二维材料极薄，对外在环境高度敏感。基板表面是否完全平整、周围材料是否产生微小应力，甚至封装过程中的热与机械影响，都可能改变电子的行为，导致每颗晶體管表现略有不同。这种个体差异在研究样品中或许可以接受，但在逻辑制程中却是致命缺陷。第二个关键挑战来自电流进出FET通道的效率。晶體管的效能不只取决于通道本身，还包括在FET中电流如何从金属端点—源极和汲极—顺利进入、流出通道。对原子层材料而言，这个衔接并不自然，往往造成额外的能量损耗与速度限制。即使近年已有多种改善方法，譬如透过相工程（phase engineering）、重掺杂（heavy doping）或边缘接触（edge contact）等方式改善，仍难在整体表现上追上成熟矽技术。对于先进逻辑芯片而言，这样的差距在高频运作下会被迅速放大。第三，是互补晶體管（CMOS）的实作困难。现代逻辑芯片仰赖两种性质相反、却必须高度匹配的晶體管（nFET和pFET）共同运作。矽之所以能长期称霸，正是因为它在这方面建立极为成熟的材料与制程体系。但在二维材料中，不同性质的FET往往需要不同的二硫属过渡金属化合物（Transition Metal Dichalcogenide；TMD）通道材料，导致设计与制程复杂度大幅提高，对先进节点而言更是沉重负担。最后，还有量产与制造现实。先进逻辑制程的核心价值，在于高度可复制、可预期的大规模生产。但二维材料在大面积制作、缺陷控制、层数一致性等方面，仍与现有产线存在落差。这些问题并非短期内能靠单一突破解决，而是牵涉整个制程生态系的重建。在等待逻辑制程应用成熟之前，二维材料先从存儲器落地，2025年2月在Nature上发表一篇由TMD实际制造快闪存儲器的文章《A full-featured 2D flash chip enabled by system integration》。与处理器不同，存儲器的核心任务不是高速计算，而是稳定地储存与读取數據—特别是快闪存儲器。只要數據状态能清楚区分，即使元件之间存在些微差异，系统往往仍能正常运作。这样的特性，让存儲器成为二维材料较为友善的应用场域。二维材料的结构超薄，數據写入快速、能耗也更低。文章中已有实际芯片及制造方法展示，将二维材料应用于快闪存儲器中晶體管中的通道，并且整合到成熟的矽平臺上，由既有电路负责控制，新材料专注于储存功能。这种分工方式，避开逻辑制程最严苛的要求，却能真正把二维材料带进可运作的系统。从长远来看，这不只是权宜之计，而是一条累积经验的路径。透过存儲器应用，二维材料可以逐步建立量产能力、制程稳定度与产业信心，为未来进入先进逻辑节点铺路。或许，当十年后的7A或5A制程真正需要新的通道材料时，二维材料已不再是实验室的新奇概念，而是准备就绪的成熟选项。

就如同石墨烯于2004年被实验证实时当时的社会心情，对于石墨烯这种异类物质的生活应用，大众曾寄予有高度冲击性的期望，但是真实应用时的实施却只是以点滴的方式逐渐渗入材料应用；二维材料—特别是二硫属过渡金属化合物（Transition Metal Dichalcogenide；TMD）—在半导体的应用似乎也没有符合当初热烈的预期。 TMD在半导体的应用当初被寄予厚望，是当成摩尔定律（More Moore’s Law）的救赎。 对于固态物质的应用，我的理解是这样的：原分子首先要形成晶格，对于电子于其中的行径我们才有办法以量子力学来理解。我们理解的基础最简单的就是离材料边界很远、块材（bulk）中电子的行径。 然而接近材料的边界部分，特别是与其他种类物质的界面及周边，电子的行径就变得十分复杂。界面上容易有晶格不匹配（lattice mismatch）、杂质、缺陷等令人头疼的问题，没有结成共价键（covalence bond）的悬空键（dangling bond）会捕捉电荷、形成位势壁障（potential barrier）。不夸张的讲，现代半导体制程研发有很大一部分的工程资源是投入解决材料界面的问题。 在制程临界尺吋已微缩接近极限时，界面的问题益发严重，因为整个材料尺吋太小，几乎都邻近界面。现在半导体微缩的严峻挑战之一—短通道效应（Short Channel Effect；SCE）—就是因此而来。 半导体线路的基础单元是场效晶體管（Field Effect Transistor；FET），FET中电流由金属材质的源极（source）流经中间受上层闸极（gate）电压控制开关的通道（channel），最终抵达波汲极（drain）。FET通道的尺度过去被用来定义技术的节点，譬如大约40納米长的通道就相应于40納米的逻辑技术节点。微缩通道的尺度—进而缩小FET的尺吋、并且提升其效能—是摩尔定律的驱动主轴。 但是半导体制程演进至28納米之后，FET元件的效能提升靠的更多是FET的结构从二维逐渐倾向于三维，单纯的临界尺吋微缩不灵了。主要的原因之一就是前面提过的SCE，通道的尺度很难再微缩了。 FET的矽通道当微缩到10納米出头，两边的源极和汲极金属的性质如电场或耗竭区（depletion area）会穿透界面而影响矽通道。如果在矽通道里从源极和汲极两边渗入的影响重叠了，闸极就无法有效控制FET的开关。所以尽管技术节点的名称从14納米、7納米、5納米、3納米、2納米、14A、10A、7A、5A继续往下探，但是通道的长度总维持在10几納米以上。几納米、甚或几A（1A=0.1納米）的技术节点只是个命名，与FET的真实尺吋却没有什么直接的关系了。 此时二维材料就被赋予厚望，特别是TMD中的MoS2（二硫化钼）、WSe2（二硒化钨）、WS2（二硫化钨）等，它们都是半导体，有些共同的特性被认为有希望突破SCE带来的微缩桎梏。 首先，它们的电子迁移率（electron mobility）极高。如果与矽块材的电子迁移率相比，TMD的只有矽的约3分之1，但这是TMD单层（monolayer）的数据。如果是矽单层的數據，则远逊于TMD的。元件的尺度在微缩时，元件各层的厚度—譬如介电质和通道—也必须跟著减薄。当厚度减至数层或单层，TMD的电子迁移率就远远胜出。 电子迁移率高代表元件开关的频率高，通过元件的电流高，功率消耗也低。这些都是元件微缩时所追求的目标，而用二维材料来做通道天生就有这些潜质。 二维材料的第二个特质是它原子般的厚度。所谓的二维材料就是缺少一个维次的自由度，那个维度自然只有一个原子的高度。MoS2的厚度为6.3A，这个厚度与矽原子的共价键长度5.43A差不多。 用二维材料做FET的通道天生对SCE免疫。SCE和介电质的厚度、通道的厚度的平方根成正比，二维材料的厚度极薄，SCE的影响很小。要免于SCE的话，通道的长度必须维持在10納米以上，二维材料的通道则可以低至1~3納米。也就是说，如果维持元件的几何形状不变，使用二维半导体材料来取代FET通道中的矽，理论上可以直接推进摩尔定律中近4个時代。因此二维材料成为各领先代工厂未来先进逻辑制程的重要研究方向之一。

8年前，我在国立阳明交通大学设立一个智能房间，并在暑期国小营队中以「小仙女」的故事引导学童。我告诉孩子：「妳对著桌上的苹果轻吹一口仙气，奇妙的事就会发生。」当孩子们一吹气，窗户随即自动打开，她们惊喜得咯咯直笑。我们还设计鬼屋游戏，線上操控房内的物联网设备，例如「魔镜」，让孩子们在惊吓与好奇之间尽情探索。我以这智能房间发表了学术论文〈HouseTalk〉。但在学术语言里，不能写「小仙女吹气」，只能严谨地描述：「我们将二氧化碳傳感器置入3D打印的苹果中，当室内人员呼出过量二氧化碳时，窗户会自动开启，以促进空气流通并改善空气品质。」论文充满AI演算法与系统架构的细节，但我真正想表达的，其实是那份「小仙女吹气」的想像。灵感源于我童年时看过的影集《神仙家庭》（Bewitched），由Elizabeth Montgomery主演。剧中女主角莎曼珊只要轻晃鼻子，魔法便应声而起。我当年一再模仿，鼻子却文风不动，只能让耳朵晃动。《神仙家庭》的魔法，是物联网与AI创意应用的早期想像。莎曼珊的每个手势都能控制环境，她的魔法如同傳感器与语音指令的雏型。她晃鼻子便能重整空间、召唤物品，这些1960年代看似荒诞的情节，如今已透过AI与自动化技术逐步实现。剧中对「人神婚姻」的描绘，也预示AI时代人机关系。莎曼珊与凡人达伦的结合，象征魔法世界与人类世界的融合，如同现今AI与人类的共生。剧中女巫「伪装正常」的焦虑，正对应现代人面对AI时的矛盾：既依赖其便利，又害怕其不可测。我们是否也像达伦一样，既渴望魔法，又不安于它的力量？从文化角度看，《神仙家庭》教我们如何将技术融入日常生活。莎曼珊的魔法不是冰冷的功能展示，而是富含情感的生活智能：在派对前整理房间、为客人准备惊喜、解决邻里纷争。这种「情境化智能」正是现今AI产品最缺乏的特质。若臺湾科技产业能在研发中注入这种人文温度，将能创造出更具情感共鸣的智能产品。《神仙家庭》同时提醒我们技术伦理的重要。剧中反复思考「何时使用魔法」，对应当今AI时代的「何时启用自动化」。莎曼珊宁可用双手完成家务，只在必要时施展魔法的节制，正启示我们应如何避免过度依赖科技。AI发展正处于关键转折点，我们需要精密的演算法，更需要如《神仙家庭》般的想像力。臺湾作为科技岛，若能结合文化创意与人文视野，必能在AI时代开创出新的方向。我们需要能理解「小仙女吹气」诗意的工程师，也需要能将傳感器化为魔法苹果的设计师。在AI时代，我们不缺技术，而是缺乏想像。那份想像其实早已存在，一如《神仙家庭》中的魔法。

17世纪的法国思想家勒内·笛卡尔（René Descartes），不仅以「我思故我在」为现代哲学奠基，也以《几何学》（La Géométrie, 1637）开创解析几何，首次将几何图形与代数方程结合，发明今日熟知的笛卡尔座标系。此一突破不仅改變量学问题解法，更为微积分与现代人工智能（AI）提供核心基础。笛卡尔认为，平面上的每一点皆可用x与y座标表示，而曲线则可转化为變量方程序。这使得几何问题能用代数操作处理，例如圆的方程序 x2+y2=r2x^2 + y^2 = r^2x2+y2=r2。这种将抽象空间数学化的思维，与现今AI模型的建构如出一辙。在AI领域，所有输入的影像、语音、文字數據都需转为矢量座标表示。影像为像素的RGB值集合，语音转为频谱，文字则嵌入高维语意空间。这些数据处理方法，正延续解析几何「将现实投射于数学空间」的思维。神经網絡与支持矢量机等模型，会在多维空间中寻找最佳超平面来分类數據。深度学习训练仰赖梯度下降法，透过多维导数找出使误差函数最小化的方向，步步逼近最优解。此过程需用链式法则计算各层参数对结果的影响，亦即微积分中的复合函数求导。而这些演算法运作的数学场域，正建立于笛卡尔所创的座标系之上。进一步来说，像Word2Vec或BERT这类自然语言处理技术，将词汇转化为稠密矢量，使语意相近的字词在矢量空间中相互靠近，这种「语意即距离」的嵌入技术，也可视为解析几何的延伸。电脑视觉中的卷积神经網絡（CNN），透过多层特征提取，从像素空间转换到形状与语义空间，展现出「座标转换以理解现实」的深层结构。从AlphaGo到GPT-4，AI系统不断在函数空间中寻找最佳解。这些空间的数学结构源自笛卡尔当年奠定的几何与代数统一。笛卡尔的哲学关注「心灵」与「机器」的界线，他认为动物如机械般运作，而人有思考的灵魂。今日AI虽能模拟语言与视觉，但是否真正「理解」仍是哲学难题。从数学化思维到理性工具，笛卡尔提供一把通往AI时代的钥匙，却也提醒我们，智能不只是算法，更是对思维本质的深刻省思。

臺湾目前有3个产业在全球的表现相对耀眼，分别是医疗体系、电子制造服务和半导体。竞争力的来源虽然在不同产业可能各自相异，但是都有一个共通的来源，而且可能是最重要的因素：长期社会菁英的持续投入产业，而这时间尺度是以甲子为单位来计。 臺湾的医疗体系在世界的评比长年高居第一，毋庸赘述。 臺湾的现代西方医学训练始于日本殖民政府于1899年设立的臺湾总督府医学校 （Medical School of the Taiwan Governor-General，即臺大医学院的前身）。1904或1905年间臺籍人士南志信入学，1909年毕业，成为臺湾本土人士接受近代西方医学训练的第一人，从此引领臺湾菁英从医的序列。 臺籍人士于日据时代不容学习政、法专业，而臺湾医生的收入及社会地位长期居于高位，是以持续吸引社会菁英投入，至今仍是大学招生第三类组的首选。医疗体系的管理人员也是从此团体中挑选，这解释了为何臺湾医疗系统能长期脱颖而出。 值得一提的是医疗原来是服务业，有强烈的地缘关系。而且医疗、保险等各国都有各自的法律规范，不易将之产品化输出。但是从人工智能逐渐加入医疗体系以后，这类服务性产品的地缘壁垒逐渐消失，可以合理预期臺湾的医疗服务将有扩大版图的可能。 从20世纪初迄今，这是两个甲子社会菁英的持续投入。 电子制造服务业与半导体产业是另一个故事。1966年臺湾政府鉴于长期巨额贸易逆差的考量，建立出口加工区（Export Processing Zone；EPZ），以赚取外汇、降低逆差。 「巨额」的贸易逆差是多少金额呢？不到1亿美元，但这是当年臺湾GDP的2.5%！ 出口加工区的设立以及其他产业的集体努力使得臺湾于1971年转变为贸易顺差，并且长期维持顺差。 当时加工出口区中主要产品为黑白电视，首先入驻的外资企业为RCA （Radio Corporation of America），之后还有增你智（Zenith）等。这些外资企业的先后进驻使得臺湾黑白电视出口产量占世界一半以上。 虽然此时彩色电视已经问世，黑白电视算不上高端消费性产品，而且在臺湾的加值也只是简单的组装，但是外商大规模的进驻形成臺湾电子业的基底。后来RCA移转黑白电视技术更进一步深化臺湾技术能力。这些贡献至少不亚于「造山者」中描绘的RCA移转半导体技术给臺湾。电子业的先发成为后来半导体产业发展的沃土。 现在看来，此举奠定臺湾电子制造服务的基础，也驱动电子制造的供应链，譬如富士康在1973年成立时便是以电视旋钮（knob）供应商的角色切入电子制造服务产业。 也许是巧合，但更可能是薪资的市场机制，当1971年臺湾贸易开始转为顺差时，电机系也同时成为大学第二类组的首选，臺湾的菁英人才开始流向电子业，最后乃至于半导体产业，迄今也近一甲子。 有趣的是臺湾特殊的大学入学制度促使特定产业的人才供应特别充裕，间接的也让臺湾的产业发展集中于特殊的领域。对于臺湾这样人口基底相对有限、内需市场狭小的国家，专注与集中恰恰好是应有的发展策略。这段历史可以让目前竭力想发展自有半导体的国家借鉴参照，更可以让想以其他方式掠夺产业的国家省思。

先进封装虽然在高端手机领域应用中开始发轫，但是在半导体产业的总动员则是因2023年的AI芯片先进封装的产能吃紧。由于先进封装的产品供应链拉得很长，参与者众，半导体业界就想起业内常见做法（common practice）—制定标准规格，以降低价值链各环节间协作所需要的沟通成本及时间。 考虑制定标准规格的时候需要考虑的因素主要从技术开始，制定标准的挑战主要有下列几点。 第一个是先进封装目前还处于发展初期，技术变迁快速。以2.5D先进封装为例，初期的就有CoWoS-S、CoWoS-L、CoWoS-R、CoPoS甚至CoWoP等，这还只是一家公司的规格。快速进展的技术来不及制定标准规格，也不一定值得订定。 由于牵涉到的是封测环节，要列入考虑的因素就远比芯片关注的电性指标要多，必须包含热（thermal）、机械（mechanical）、可靠性（reliability）、翘曲（warpage）、应力（stress）等特性，种类繁多，制定不易。 再来是材料的种类也比较复杂。单只是基板（substrate）一项，就有硅片、玻璃等，现在碳化矽（SiC）也可望入列，其他环节也是新材料的创新场域。 既然有标准规格，自然就会有伴随的量测和检验，但是先进封装通常会牵涉多个芯片，其结构及电性、功能的检测复杂的程度依整合的程度指数上升。这些挑战在芯片设计时就必须考虑在内，也赋予以前线路设计界术语如design for testing、design for manufacturing、design for reliability新的意义。另外，新的检测项目就要有新的测试设备，这一切都还有待发展。 所以即使产业中有制定标准规格的念想，至今被产业界广泛接受规格事实上很少，小芯片（chiplet）的UCIe（Universal Chiplet Interconnect express）3.0在2025年８月被持续推出，算是比较成功的案例。 以上的观点大部分是从技术的考量来看，但是影响元件规格制定的，经济上的考虑恐怕是更重要的因素。 半导体产业界中最成功、最知名的规格标准化元件当属DRAM。自1993年JEDEC制定SDRAM（Synchronous DRAM）标准后，后续演化的各高端版本延用至今，成为电子系统厂商与半导体元件厂商的共享标准。 要制定一个产品的规格要有几个先决条件。首先，产品的市值规模要够大，这样殚精竭虑地协商、规划未来的产品统一规格才有价值。再来就是技术的路标明确，此点前面已经阐明。 有统一的产品标准，意味著元件厂商不必与电子系统厂商在界面规格上密切协商，元件产品推出的周期得以加速，系统设计也可以独立进行。统一的标准也缩小产品竞争的范畴：规格一致，产品的效能也一致。不同厂家能用于竞争的只有产品的推出时间、产品的可靠性以及生产成本。 对于经济上较有直接影响的—正面或负面的—是产品标准化以后具有大宗商品（commodity）的特性。 大宗商品，即使生产厂家数目接近寡头垄断，还是个完全竞争市场。这对于买家当然是福音，因为购买的成本会最佳化。对于卖家也有些自然的好处，市场价格低时会促使买家使用较多数量的产品。因为电子系统的效能有如薪资，有向下的僵硬性，因此市场规模即使在市场不景气时还会不断的扩大。 大宗商品市场自然也有其天生的缺陷。由于缺乏买方与卖方的粘滞性，当供需失衡时—即使缺口不大，价格的起伏会急速的倾斜，这便是大宗商品市场经常面临的景气周期问题。市场的景气周期如果处于低迷阶段，又恰好遇到市场外的问题—譬如金融危机，那就是倾家荡产的时刻。事实上，目前存儲器市场的寡头垄断局势就是在上次景气大低潮时淘洗剩下的状况。 制定先进封装规格标准社群最推崇的经典案例是HBM。HBM是由DRAM数层堆叠而成，上下之间以矽穿孔（TSV）来连通电源、信号，这是典型的3D堆疉先进封装。HBM的规格沿袭DRAM的优良传统，规格已制定至HBM4、HBM4e，虽然现在产品实际只用到HBM3e。 看似HBM是先进封装规格标准制定的经典范例，但是厂商已经放话了：要在DRAM芯片堆叠的底层置入逻辑线路的基底晶粒（base die），以针对特定客户的定制化。看，这是寡头垄断产品业者的意向—迈向定制化而非标准化，而这意向自然是业者考虑自身利益最大化的结论。综合目前先进封装技术进展的状况以及经济面的考虑，我认为先进封装规格标准的制定以及产业界的接纳还有一段很长的路要走。

我过去创作插画，必须亲手完成所有细节。有了AI，只需勾勒轮廓，它便能自动补全。起初它常误解原意，画面失去神韵，例如我画的Julie Andrews白描稿在AI生成后严重走样。但经多次训练，它逐渐掌握我的风格，这让我惊觉：AI是否正从助手迈向取代插画家？數字时代的商业插画、游戏设计与小说封面皆采主画家与助手分工：前者掌构图与人物，后者负责上色与背景。AI正改写这一模式。它能生成完整场景与统一风格的角色，甚至依文字指令完成整幅作品。于是问题浮现：当AI成为主要执行者，作品还能称为「插画家的创作」吗？传统分工清晰，例如日本工作室由主画家定构图神韵，助手执行上色修饰。AI的价值，在于接手重复性高的技术任务。Midjourney、Stable Diffusion与DALL·E等工具能精准模拟笔触与光影。插画家输入草图或文字描述，AI即可快速生成背景与配色。有画家称它是「永不疲倦的助手」，能實時测试多种风格方案。然而，当AI能力逼近人类，界线日益模糊。若AI负责大部分视觉产出，插画家是否仍为创作者？法律上，只要人类给予明确指令并审核成果，仍属人类作品；但在伦理与感知上，观众已难分辨「人笔」与「机笔」，艺术家的独特风格也可能被压缩成演算法模板。插画家如我者，选择与AI共生，把繁琐细节交予AI，自己专注于构图与概念。例如先手绘草稿，再指令AI生成多种背景方案取其佳者；或在AI生成的服饰光影上再创作，注入笔触的温度。这种「AI助笔」模式维持艺术主导权，也提升创作效率。相对地，全由AI生成的插画虽快速完美，却缺乏人性的意图与情感。AI能复制「美」的形式，却无法体会创作的动机。正如摄影未取代绘画，AI亦难取代插画家，但它将重新定义插画，使创作者更像「导演」，专注于构想与审核，而非执笔描绘。这股转变正重塑教育与产业。传统插画训练强调技艺，如今学院课程已纳入AI绘图，重点转向提示设计与风格管理。未来插画家或将成为「视觉策划」或「美术监制」，其专业核心不在技术，而在图像叙事与文化感知。我如此祷告，AI或许能取代插画助手，却难取代插画家。真正的创作超越图像输出，重点在于观点与情感。AI能模仿风格，却不懂其精神。当人类视AI为协作伙伴而非敌手，插画艺术将迈入新纪元：从笔尖延伸至演算法，从劳动密集转向创意驱动。最终，AI取代的不是插画家，而是耗损创作热情的重复劳务。人类插画家的价值，仍在于以想像构筑世界，并以情感赋予画面灵魂。我如此期盼。

2025年诺具奖颁给John Clarke, Michel Devoret, 和John Martinis等3人，以彰显他们在宏观量子穿隧效应（macroscopic quantum tunneling effect）实验的贡献。 「宏观」这两个字是相对应于传统上对量子现象了解的误解。经典物理（classical physics）指的是牛顿力学（Newtonian Mechanics）可以描述的现象，一般指的是宏观世界发生的种种现象，而量子现象，一般的解释方法是在微观（microscopic）世界中因为物理尺度微小、粒子个别行径的原因，物体（特别是个别粒子）行径带有机率的特性。特别是微观量子穿隧效应，此现象经常用来彰显经典物理与量子物理的差异。 穿隧效应是指1个粒子在其行进路径中遭遇一个位势壁垒（potential barrier）的反应行为。在经典物理中，如果粒子的能量不足以克服位势壁垒，则情况有如开车遇到山，只能就此折返。如果我们一定要这个电子越过此位势，只能赋予此粒子足够的能量，克服位势所造成的壁垒。在半导体元件中，这已是常用方法。譬如在FLASH中要将电子储存于浮动闸极（floating gate）中，施加强大的垂直电压便能将电子从通道中跨越过横亘于通道与浮动闸极之间绝缘体所形成的位势壁垒，这就是在FLASH中的Fowler-Nordheim tunneling。这样的穿隧效应符合经典物理的图像，要越过壁垒只能靠增加能量。 然而在量子世界中，能量不足的粒子即使遭遇到了位势壁垒，仍然有机率穿越位势到达另一端。以之前的山与车的用语为例，仿佛在山体中开了一个隧道让汽车通行，因以为名。 微观量子穿隧效应是量子力学（quantum mechanics）中的经典范例，普遍见于教科书中。但是接下来的问题是自上世纪量子力学发靱后经常被问起的：微观世界的现象止于什么尺度？或者更直接的问题：宏观的世界也可以看见量子现象吗？特别是量子穿隧效应。 Clarke等3位元物理诺贝尔奖得主于1984~1985间一系列的实验工作证实在宏观世界也可以有量子穿隧效应，而且宏观的物理量也存在量子化的情形。 他们的实验是利用约瑟夫森结（Josephson junction）来检视电流的量子穿隧效应。约瑟夫森结两侧是超导体，中间隔有Al2O3的铝基绝缘体。 超导体在临界温度（critical temperature）以下电子的流动是以库柏对（Cooper pairs）的方式运动。库柏对是一对电子之间以声子（phonon）配对而轻微的彼此束缚，2个电子具有相反的动量和自旋。库柏对的束缚虽然微弱，但是两个组成电子的距离可以高达数百納米，比现在最小晶體管通道的十几纳米大多了。库柏对在移动时没有电阻，这就是超导体名字的由来。 一个电子的自旋是1/2，在统计上的特性是费米子（Fermion）；而一个古柏对自旋是0，在统计上的特性是玻色子（Boson）。许多玻色子可以凝聚（condensate）于同一个基态（ground state）而形成一个宏观量子态。 约瑟夫结的两边超导体之间隔有绝缘体，如果电流值在临界电流（critical current）之下，在经典力学中一边的电流是无法通过绝缘体流到另一边的。 但是Clarke等3位的实验在谨慎的排除外在干扰如热、微波等因素后，证实在临界电流值以下的电流仍可以量子穿隧至绝缘体的另一方，这就是宏观的量子穿隧效应。 这个穿隧效应与以前习见的量子穿隧效应很不一样。量子穿隧效应的经典例子是将粒子（He的原子核，带有2个正电荷）困于一个位势陷阱（potential well）之中。此粒子可以用量子穿隧逃逸至陷阱之外，但是此例中的 粒子是个别粒子，而此现像是微观量子穿隧。而Clarke等3人的实验证实宏观量子穿隧的真实存在。另外他们也发现此宏观量子态具有量子化能阶（quantized energy level），此点与我们熟悉的微观世界行径相仿—譬如氢原子的能阶也是量子化的。这是观念上的突破，是以得奖。 在应用上，宏观量子穿隧效应大幅提升量子效应在真实世界可以被利用的可能性。在前述的实验中，约瑟夫森结上的电流量子穿隧时会诱发瞬间电压的变化，而电流与电压均是宏观的物理量，可以很容易被观察量测，这是宏观量子穿隧效应在应用上可能优于微观量子效应的原因之一。 以现在最具议题性的量子计算为例，发展最迅速的的技术之一是超导量子位元（superconducting qubits），它们都使用约瑟夫森结当成量子位元的基础架构。超导量子位元又有几种类型，最常用的是传输量子位元（transmon qubit）。传输量子位元虽然没有使用宏观量子穿隧效应，却也使用宏观量子态的量子化能阶当成量子位元的0与1。另一种超导量子位元是相量子位元（phase qubits），此处的相是指在约瑟夫结两边的宏观量子态之间的相对相位。如果把此相位当成一个虚拟粒子，此相粒子真的是靠宏观量子穿隧效应在绝缘体的左右穿梭。 类似的应用还有耳熟能详的超导量子干涉仪（Superconducting Quantum Interference Device；SQUID），它可以用来测量极细微的磁场，敏感至10−15 T（Tesla）。超导量子干涉仪是由2个以上的约瑟芬森结环绕成圈所组成的仪器，利用通过此圈的磁通量（magnetic flux）的变化引发SQUID上电流和电压来量测磁场大小。SQUID之所以能够如此精确的量测磁场的原因，也是因为约瑟芬森结中宏观量子态的能阶也是量子化。 人类文明进展迄今，已经开始在触碰物质结构的边界，量子世界已是可以观察、甚至可以操控的现象。宏观量子穿隧现象给我们一个启示，不限于宏观量子穿隧、也不限于约瑟夫森结，只要有宏观量子态，便有宏观的物理變量可以用于观测、操控此系统，而这正是我们走到納米、埃（angstrom）尺度时出现的及时雨。

在AI快速发展的數字时代，我们常谈演算法、效率与算力，但真正决定AI能否成为「增能力」工具的关键，不是技术本身，而是人类是否具备想像力。想像力，让我们敢于提出不同的问题。当孩子仰望夜空，问：「为什么月亮会跟著我走？」多数大人会回答光线与距离的原理。虽然正确，却抹去问题背后的惊奇。若改说「因为月亮想陪你回家」，孩子的笑声才是最有创意的理解。这种回答不是科学事实，而是一种想像练习，提醒我们在理解真实之余，也别失去感受世界的方式。吉卜林（Joseph Rudyard Kipling）在《就是这样的故事》（Just So Stories, 1902）也以此方式回应「为什么」。〈骆驼怎么长驼峰〉、〈小象怎么得到长鼻子〉、〈豹怎么有了斑点〉，这些故事并非科学解释，而是透过荒诞的情节创造新的「真实」。重复与韵律让故事像咒语般朗朗上口，而亲密的语调则让它成为亲子之间的共享语言。它们不是说教，而是透过幽默与幻想，培养孩子的好奇与创造。这正提醒我们：想像并不是错误信息，而是与真实并行的另一种创造能量。这样的思维正是我们在AI时代所需。AI能生成文字、影像、方案，但若缺乏人类的想像力，它不过是冷冰冰的输入输出。只有当我们以孩童般的好奇来提问，并以创意去引导，AI才会展现真正的增效能。重要的是，我们必须分辨：AI有时生成虚构或错误（所谓「幻觉」），这些并非可靠信息，但若经由我们的判断与引导，这些虚构元素也能成为启发新想法的原材料。AI可以提供「是什么」的答案，但「为什么」与「如果不一样呢」仍须人类来追问。就像吉卜林的故事，它们延续人类自古以来用神话解释世界的传统。AI今日同样能生成新故事、新情境，但要转化为启发与价值，仍取决于我们的想像与判断力。因此，在AI數字时代，想像力不是奢侈的附加品，而是核心能力。科学说明规律，AI延展边界，而想像力则确保我们不会在效率中迷失。当我们勇于像孩子般问出「月亮为什么跟著我」时，AI才能真正陪伴我们，开启新的旅程。不是因为它替代真实，而是因为我们用想像力为它注入新的可能。