0

4
1

文字

分享

0
4
1

犯錯讓你更強大:揭開錯誤驅動型學習的秘密——《記憶決定你是誰》

天下文化_96
・2024/08/01 ・3678字 ・閱讀時間約 7 分鐘

我們天生會從錯誤和挑戰中學習——這種現象稱為「錯誤驅動型學習」(error-driven learning)。我相信這個簡單的原則可以解釋很多現象,例如我們在哪些條件下學習成效最好、在哪些條件下容易忘記,甚至是我們睡覺時發生在記憶上的改變。

人生實難

滿五十歲那年,我下了兩個決心:第一是要寫一本書(也就是你正在讀的這本),第二則是要學衝浪。跟學衝浪比起來,我攻讀博士學位時遇到的所有挑戰都相形見絀。一部分問題是因為我不再年輕,而衝浪對核心肌群的要求非常高——我甚至不知道自己有那些肌肉。

再者,衝浪的學習曲線本來就陡峭,因為要學的東西非常多:划水技巧;判讀海浪以將自己調整到正確位置,並拿準開始划水的時機;弄清楚自己在何時真的追到浪;還有起身站立(如果我有幸進展到這個節骨眼),儘管隨即又會整個人掉進水裡。過程裡的任何差錯都會讓前面的努力報銷,而且既耗體力又打擊信心。

錯誤的過程往往讓人喪失信心。 圖/envato

不管你是學習新的運動如衝浪,或學習新的語言、新的樂器,犯錯時的痛苦是學習的一大障礙,況且在學習曲線的初期時特別容易令人沮喪。但即使是看似能表現自如的高手,以前也曾經是菜鳥,他們同樣得從犯錯開始。要從菜鳥進步為高手,必須先持續把自己推向能力的邊界。沒有付出,沒有收穫。但反過來說,某些痛苦的耕耘可以轉變為很大的收穫。

-----廣告,請繼續往下閱讀-----

這裡指的不是生理上的痛苦,而是犯錯時心理上甚至情緒上的痛苦。我也不建議利用痛苦來鍛鍊性格。這裡所說的收穫是指,把犯錯當作學習的機會。

在大腦的運動系統中,「錯誤驅動型學習」是一套公認的原則。許多神經科學家相信,我們學會進行有技巧的動作,是透過觀察我們想做和實際上做到的動作,並找出兩者之間的差異。例如,當音樂家練習某支他們已經很熟悉的樂曲時,某些段落相對簡單,但另一些段落則比較難找到正確的和弦。如果每次練習時都得為這支曲子的每個部分建立一個新的記憶,未免太沒有效率。比較好的解決方式是,稍微局部修改記憶,好應付樂曲裡困難的部分。

錯誤驅動型學習也可以解釋,為什麼我們透過主動的「從做中學」,會比被動的記憶學習得到更多好處。例如在一個陌生的地區,相較於搭計程車經過,你自己開車一定會對這裡的空間動線取得更清楚的概念。在新的環境裡主動搜尋有許多好處,其中之一是讓你依據自身決定和行動而得到的結果來學習,這是看地圖得不到的好處。

在其他活動中,類似的機制也發揮著作用。無論是進行彩排的演員、在分組練習比賽中的橄欖球員,或是為了在董事會面前做簡報而預先練習的企業主管,都是憑直覺就利用了錯誤驅動型學習的力量。

-----廣告,請繼續往下閱讀-----

記憶研究者從很久以前就知道,在充滿挑戰的情況下學習有不少好處。我們談談實際一點的問題,好比學生應該如何準備隨堂測驗?最簡單的方法,也是世界各地最多學生採用的方法,就是重複閱讀教科書,試圖記住內容。

測驗效應:從錯誤中學習的力量

認知心理學家羅迪格和卡皮克(Jeff Karpicke)則考慮另一種方式,他們想知道,如果不透過複習而用「測驗」來自我訓練,會有什麼效果?直覺上來說,一次又一次的複習或許看似比自我測驗更有用,我們可能會想:既然可以專注於記住正確的答案,為何要冒著答錯的風險?

羅迪格和卡皮克樂意違反一般見解,把賭注押在測驗那邊,因為他們已經看到一些研究,間接顯示了把測驗做為學習工具的力量。為了檢驗測驗的影響力,他們讓兩組學生記憶托福測驗參考書的節選材料。一組的做法是重複閱讀約十四次並試圖記下內容,另一組則是閱讀三到四次,接著進行三次測驗,在測驗裡必須盡可能回想剛才讀過的內容。

重複閱讀的學生對於掌握教材的能力顯出很高的自信,反覆接受測驗的學生則在一開始時信心受損。重複閱讀的人對教材的學習效果比起接受測驗的人好一點點,但是這並不令人意外,因為重複閱讀組接觸教材的機會是接受測驗組的四倍。

-----廣告,請繼續往下閱讀-----

然而羅迪格和卡皮克等待一週,看這些學生是否還保留著學過的內容,結果差異十分巨大。平均而言,重複閱讀組的學生只記得原先學得內容的一半,至於接受測驗組則超過。所以,雖然學生以為自己透過重複閱讀教材可以學得更多,但實際上自我測驗的投資報酬率卻高上不少。

羅迪格曾寫到,記憶科學跟物理學不同,記憶科學沒有「定律」,但跟複習相對照,測驗的好處(也就是測驗效應)幾乎像重力定律一樣可靠。在各種不同條件下的大量研究中,也都呈現出測驗效應。測驗的效用一直以來沒有爭議,不過測驗究竟為什麼對記憶有如此強大的效果,科學家還未得到共識。

最簡單的一種解釋是,測驗能暴露你的弱點。一般來說,我們覺得自己能記住剛學過的東西,甚至偏向過度自信。羅格斯和卡皮克實驗裡的學生認為,自己反覆研讀那麼多次,一定可以學得更多,那是因為他們尚未受到挑戰。至於接受測驗的學生,則在回想自認為應該學得不錯的資訊時,經歷困難、甚至失敗,因而消磨傲氣。因此,測驗組的學生在明白自己學得沒有想像中徹底時,可能會更加努力。

假設你想學非洲的斯瓦希里語(Swahili),但在你還沒有機會學到之前,就被人問到:「usingizi 是什麼意思?」如果你的母語不是斯瓦希里語,恐怕不會知道正確答案,所以只好在得到正確答案「睡覺」前盡力去猜。

-----廣告,請繼續往下閱讀-----

這種運用測驗的方法看起來很糟,也與一般人對教育的看法背道而馳,畢竟你努力回答的東西根本還沒有學過。令人驚訝的是,這種「事前測驗」居然對學習非常有效。為什麼在還沒有機會學到正確答案之前,先讓你的大腦費力製造很可能是錯誤的答案,會是件好事呢?

一般的見解會認為,產生錯誤的資訊應該沒有效率,甚至適得其反,因為錯誤的資訊將導致競爭與干擾,而大多數的神經科學理論會預測,先給大腦正確的資訊無論如何都比較好。然而,給大腦機會主動掙扎,似乎能幫助我們學得更多,也讓資訊保留得更久。

記憶的科學:錯誤驅動型學習的突破

1992 年時,認知心理學家卡里爾(Mark Carrier)和帕什勒(Hal Pashler)提出一個吸引人的理論,解釋記憶的這類原則。在電腦科學領域裡,大家都知道機器遇到困難時能學到很多。現代人工智慧系統的骨幹是神經網路模型,這種模型透過嘗試錯誤來學習,方法是修改人工神經元之間的連結,藉此愈來愈善於得出正確答案。卡里爾和帕什勒認為,人類或許也是從這類錯誤驅動型學習中獲益。

為了探究人腦中如何發生測驗效應,我實驗室裡的科學家劉瀟楠(現為香港中文大學教授),研究生鄭奕聰、歐萊利還有我,使用我們的神經網路模型「盒子裡的海馬迴」來模擬測驗效應。

-----廣告,請繼續往下閱讀-----

當我們遵從記憶的標準理論,假定海馬迴會記錄所有進入的事情時,這個神經網路模型可以記憶新資訊,卻不善於保存已經學過的東西;模擬的結果與羅迪格和卡皮克的發現差不多(如同重複閱讀卻忘得多的學生)。當我們改變設定,納入錯誤驅動型學習時,海馬迴模型得到有效的提升。在干擾之下,它能學到更多資訊並加以保存。

當我們探究海馬迴模型的運作,可以發現測驗的好處並非來自犯錯本身,而在於強迫大腦去取出已經學過的東西。為了理解為什麼會這樣,先讓我們回到細胞群組的比喻。自我測驗時,大腦會嘗試給出正確答案,但結果不盡然完美。大腦會稍微掙扎,給出一個與學過的東西大致相符的答案。不過這個掙扎提供了很大的學習機會。

對記憶進行這種類型的壓力測試,可以暴露出細胞群組中較弱的地方,所以記憶可以據此進行更新,加強有用的連結,修剪掉沒有幫助的連結。與其一次又一次重複學習同樣的東西,不如採用更有效率的方式,也就是只修改我們感到困難的部分,再稍微鞏固正確的神經連結。關鍵在於記憶更新,因為讓大腦節省空間、快速學習最有效率的方法,是專注於我們不知道的部分。

雖然錯誤驅動型學習通常能為我們帶來好處,但是它有一個重要的邊界條件。如果你最後可以更接近正確答案,或至少可以排除錯誤答案,因而讓你有機會從錯誤中學習,錯誤驅動型學習才能奏效。如果你根本不知道自己哪裡弄錯,就無法從錯誤中學習。你想要的是努力挑戰,而不是漫無目標的失敗。所以學習衝浪

-----廣告,請繼續往下閱讀-----

這類複雜的技術才會如此困難,畢竟有太多事情同時進行,連在成功時知道自己哪裡做對、失敗時哪裡做錯都很困難。在這類情況中,專家的指引就非常有幫助,可以讓你知道該做什麼,也能針對你做對與做錯的地方給予回饋。

——本文摘自《記憶決定你是誰:探索心智基礎,學習如何記憶》,2024 年 7 月,天下文化,未經同意請勿轉載

-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

天下文化_96
142 篇文章 ・ 626 位粉絲
天下文化成立於1982年。一直堅持「傳播進步觀念,豐富閱讀世界」,已出版超過2,500種書籍,涵括財經企管、心理勵志、社會人文、科學文化、文學人生、健康生活、親子教養等領域。每一本書都帶給讀者知識、啟發、創意、以及實用的多重收穫,也持續引領台灣社會與國際重要管理潮流同步接軌。

0

0
0

文字

分享

0
0
0
AI 可以設計散熱,但誰敢讓它出貨?林唯耕談算力背後的物理現實
鳥苷三磷酸 (PanSci Promo)_96
・2026/08/20 ・2819字 ・閱讀時間約 5 分鐘

本文由 高柏科技 合作,泛科學撰文

林唯耕剛回台灣任教時,曾在清華大學的實驗室裡用一立方公分的「氨」做實驗。沒想到氨氣意外洩漏,那股刺鼻的氣味瞬間瀰漫整棟大樓,引來眾多師生抗議。

「從此以後,我再也不敢在實驗室裡用氨了。」他在《思想實驗室》的訪談中,帶著笑意回憶這段往事。

這段插曲聽來像是一則工程師的寓言:在理論模型中,氨是太空熱控系統的理想介質;但在現實的辦公大樓裡,它首先是逼人逃竄的臭味。公式本身沒有錯,但現實世界永遠比公式更複雜——它包含了人、成本、風險,以及必須為後果負責的工程師。

-----廣告,請繼續往下閱讀-----

高柏科技技術專家、清華大學榮譽退休教授林唯耕 ,曾任職於美國 OAO 工程部熱流組,深耕電子構裝散熱與熱管技術多年。隨著 AI 浪潮席捲全球,他鑽研一輩子的老問題再次被推向科技產業的核心:當晶片運算速度無止境攀升,那股伴隨而生的熱,究竟該往哪裡去?

熱不會讀新品發表會

科技巨頭在發表會上熱衷於談論大型語言模型、GPU 規格與驚人的算力。這些詞彙在投影片上光鮮亮麗,彷彿進步毫無邊界。然而,每一次數位運算都紮實地發生在實體晶片上。晶片會發熱、材料會疲勞老化,一旦設備過熱,系統便會降頻保護。在物理現實面前,再動聽的發表會敘事也必須低頭。

晶片會發熱、材料會疲勞老化,一旦設備過熱,系統便會降頻保護 / 圖片:envato

回顧個人電腦發展早期,晶片幾乎不需專屬散熱元件。隨後,鋁製鰭片、風扇、熱管到均溫板逐一登場。這段歷程常被視為技術升級,其實更像是對空間的極限勒索:晶片功率翻倍,發熱源的面積卻沒變大,機箱空間也不可能無限擴張。

林唯耕指出,散熱設計的核心只有三要素:功率、熱源面積與空間限制。他舉例,在標準的 1U 機箱中,若發熱面積約為三十乘三十毫米,氣冷系統在達到八百瓦時就會面臨瓶頸。這並非固定的物理常數,而是取決於空間、面積與氣流的動態平衡。最現實的代價在於,風扇轉速提升的背後,是噪音、電力損耗與空間占用。

-----廣告,請繼續往下閱讀-----

因此,「液冷技術」的興起並非單純為了追求酷炫,而是算力密度提升後的必然選擇。它能更精準地帶走晶片廢熱,卻也將新的挑戰帶入機房:漏液風險、流道堵塞、材料相容性,以及維運時的難度。工程的進步,本質上鮮少是徹底消滅問題,更多時候是選擇一組「比較值得承擔」的新問題。

太空教他的,不是把答案搬回地面

太空熱控工程之所以迷人,是因為它剝奪了地球上最常見的散熱工具。在真空宇宙中,沒有空氣能讓風扇製造對流;受光面溫度破百度,陰影處卻極度嚴寒。工程師必須純粹仰賴熱傳導、熱輻射,以及熱管與環路型熱管(LHP)來搬移熱能。

熱管運作的關鍵在於「相變」——液體蒸發時吸收大量潛熱,冷凝後重回循環。林唯耕比較了銅與水的熱傳導能力:在他設定的特定條件下,實心銅塊約能傳導 120 瓦的熱能;但若每秒有一立方公分的水發生蒸發相變,移熱量可瞬間拉升至 2.4 千瓦(kW)。他強調「每秒」的觀念,因為散熱談的是動態流動速率,而非靜態的冷卻魔法。

儘管如此,太空科技並不能直接套用到地面。太空元件因考量重量、功耗與維修難度,偏好無馬達幫浦的被動式設計;但地面 AI 伺服器面臨更高的熱負載與環境溫度,往往仍需幫浦驅動流量。當年那場「氨氣洩漏」事故正是最好的提醒:技術是否「先進」,與它是否「適合」當下的場景,始終是兩回事。

-----廣告,請繼續往下閱讀-----
他強調「每秒」的觀念,因為散熱談的是動態流動速率,而非靜態的冷卻魔法。/圖片:envato

好論文,為什麼仍可能造不出好產品

學術研究致力於證明「可行性」,而工業現場則要求「可重複性」——不僅要能運作,還得確保每台出廠的設備都不漏水。林唯耕將此定義為「從 0 到 1」與「從 1 到 100」的差別。後者涉及良率、成本、公差與客戶信任。論文中那次最完美的實驗數據,在產線上往往未必管用。

他從不避談失敗。在高柏科技早期與學界合作時,也曾遇過實驗數據無法複製,或研究方向偏離產業需求。這未必是雙方努力不夠,而是彼此對「成功」的標準不同。為了解決這道鴻溝,高柏科技推動「柏苗啟航創新培育計畫」,每年投入逾千萬資金與成大、中山、台科大等校合作,並指派專業人才在過程中持續微調、校正,確保研發貼近產線現實。

他分享了近期一項液冷工質校正專案。團隊使用非侵入式的超音波流量計進行觀測,但由於儀器預設以「水」校正,換成其他化學流體後讀數便出現誤差。最初嘗試用幫浦壓差推算,卻發現缺乏重複性,數據甚至推導出不合理的蒸發率。最後團隊回歸基本面,改用秤重法搭配能量平衡進行交叉驗證,才讓數據成功收斂。

這個故事真正的價值不在於「產學雙贏」的口號,而在於那段不夠優雅的挫折:假設失效、數據混亂、方法砍掉重練。也正是在這種時刻,企業需要的不只是會算數的人才,而是能洞察研究何時「走鐘」,並有權力喊停、要求重來的關鍵決策者。

-----廣告,請繼續往下閱讀-----

林唯耕坦言,過去在校園裡總認為「技術第一、成本第二」,進入商界後才驚覺行銷與信任關係往往才是關鍵。這番話雖然不如科技突破那樣動聽,卻是產品能否進入市場的殘酷真相。再卓越的散熱設計,若無法穩定生產或贏得客戶信任,也僅止於一份精美的報告。

AI 會給答案,誰來負責出貨?

訪談尾聲,主持人國威提出了一個時代難題:假設 AI 能在彈指間生成散熱架構、材料配方與流道設計,企業該選擇全面擁抱 AI 的速度,還是保留緩慢但穩定的工程驗證,以規避潛在的失效風險?

林唯耕拒絕落入二選一的框架。他的觀點是:兩者並存。AI 擅長處理資訊、生成草案;但工程師仍須實作原型,進行嚴苛的性能與可靠度測試,最終由人決定是否出貨。這並非盲目崇拜人類直覺,而是基於一項事實:AI 的資料庫裡,通常沒記載下一次「意外洩漏」或「材料疲勞」的細節,且模型永遠無法為量產結果擔負法律與商業責任。

在 AI 時代,最稀缺的未必是熟練下指令(Prompt)的人,而是具備這種能力的人:能預判答案可能在哪裡出錯、能設計實驗將問題「逼」出來,並且願意為最終的量產品質負起責任。

-----廣告,請繼續往下閱讀-----

大眾習慣將雲端想像成輕盈、無重量的空間。但現實中,雲端是由龐大的機房架構而成,裡面裝滿了晶片、管線、泵浦與冷卻液。虛擬算力的每一次擴張,都會在實體世界留下發熱的足跡。散熱工程師的價值,就是不讓這筆物理帳單,被埋沒在光鮮亮麗的投影片背後。

-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。