Vector 被定位為工程師的加速器。該公司 CEO 認為「AI 並不是在取代工程，它只是在整個工程工具鏈中，非常、非常快速地協調許多關鍵決策。」Vector 會接收你試圖建構的設計情境與需求，建立一個模擬環境進行測試，隨後自動生成生產所需的製造套件。

聽完描述，我腦海中浮現出電影中賈維斯協助東尼發現新化學元素的畫面

就我的開發經驗，現在開發軟體主要的確是在設計架構與規範要製作的功能，接著交給 AI 進行開發與架設測試環境然後全方位測試。舉例來說：如果要串接第三方 API，就會讓 AI 直接看官方文件撰寫對應的接口、設計資料庫欄位、自動去測試環境進行 SIT 測試（以前還要自己先用 Postman 打一下 API 確保文件內容正確

我認為用 AI 加速硬體開發絕對是未來的方向，團隊也已投入研發智慧肩輪領域，預計九月將會出國參展，屆時再跟大家分享 🚀

一名研究員在上週五在拉斯維加斯舉行的 Def Con 資安大會上首次公開，在一輛汽車上貼滿特殊圖案並駕駛該車駛過攝影機，嘗試讓電腦視覺演算法無法認出眼前的物體是一輛汽車（車輛塗裝如圖）

這種圖案的原理不是在光學層面阻擋攝影機錄影（如果能做到就變成隱身斗篷了），而是軟體「認出」物體為何

研究人員為了開發出能夠躲避偵測的樣式，自創了一個模型，該模型會針對偵測軟體來測試圖案，失敗了就重複嘗試產生新的圖案樣式。研究人員表示，該模型產生的圖案已成功擊敗他所測試的所有 11 種開源偵測演算法

這項技術通常被稱為「對抗性機器學習」，由於電腦視覺系統解讀影像的方式與人類不同，所以在人類眼中只是一輛塗上奇怪圖案的車輛，在電腦眼中卻變成了不存在的物體

有趣的是，這類圖樣也可以被應用在衣服上，研究人員在穿上特殊花紋的 T-Shirt 後，在辨識軟體眼中就消失了

研究人員用魔法對抗魔法，嘗試從軟體手中奪回屬於自己的隱私權。但作為消費者，你會願意將這些對抗圖案穿在身上嗎？

如果米蘭達擁有的個人助理也有這個能力，她搞不好會很開心？

澳洲一名男子使用 AI 助理幫他在健身房熱門的晨間課程中搶一個名額，AI 助理做到了，但代價是某個陌生人的預約被徹底刪除了

當他給一個沒有道德觀念、一心只想完成命令的 Agent 送出指令「搶名額」。AI 很自然的嘗試預約軟體中的漏洞，完成預約本不開放預約的課程，甚至更進一步將候補名單上其他人剔除

整起事件就好像是我請助理去旁邊雜貨店拿一瓶牛奶給我，這位「助理」又剛好沒有任何在人類社會生活的經驗，雜貨店老闆又剛好不在，所以很自然的它走到冰櫃、拿了牛奶、轉身走人交差

事件本身不大，但卻引出許多值得注意的地方，例如在法律人眼中是誰要負起法律責任，在 AI 研究者眼中是要如何更好的解決「對齊問題」，

而身為工程師眼，我看完報導後馬上做了一件事——把手上所有專案的程式碼用 AI 跑三次 code review，確保所有 api 的權限控管都符合設計規範 😂

ps. 文章有提到 AI 助理可以成功進行駭客行為，就是因為移除已預約的使用者並未檢查任何權限。可以合理推測預約未開放時段的課程也是類似原因

由哈佛和 MIT 的學者主導發起，並聯合了 UC Berkeley、Stanford 等多所頂尖大學組成的團隊推出了 MatrAIx —— 一個包含了 83 億個模擬使用者的系統

模擬近乎全世界人口的使用者要幹嘛？當然是拿來做調研，目前團隊提出的方向可收斂成兩大類：市場調研與系統使用調研。沒錯，MatrAIx 的方案就是讓研究者在進行真人測試前，先透過模擬使用者進行測試

AI Agent 扮演的使用者會填寫問卷、與受測系統互動，接著提供回饋，研究者可以閱讀每一次的互動，了解模擬的使用者在想些什麼，得到有意義的回饋

產品願景聽起來非常美好，但 83 億的使用者僅有 0.0072% 的真實資料（60 萬從網路上真實的使用者留言、Wikipidea 等地方獲取，還有 355 名親自填寫 MatrAIx 角色問卷的志願者），其餘超過 99.99% 皆為合成資料。如此懸殊的比例很難讓人信服其取得的結果

使用 AI Agent 達成大規模的人類行為實驗非常誘人，雖然現階段 MatrAIx 還處於非常早期，但至少已經給我們展現出 Persona Agents 的第一步，倘若未來能夠搜集足夠多的真人數據（Meta 在這邊擁有絕對霸權），那絕對是十角獸級別的產品

大家認為這種產品有可能成為現實嗎？又或者只是 LLM 時代下美好的幻想呢？留言一起討論 🤓

ps. 團隊提到模擬使用者並非要取代真實使用者，而是一種能比傳統招募受訪者更快、更頻繁、且覆蓋更多元族群以提早發現問題的方法。先進行模擬，再以真實數據驗證。

有趣的是新模型僅需要 28x28 公里解析度的數據即可達成高精準度（比傳統模型粗糙 100 ）倍，這讓科學家感到驚喜，但產生此結果的原因目前仍是一個開放的研究課題

我認為也許在 AI 的高維向量空間中，某些尚未被發現的隱含相關性被消除，這些多餘的資訊在更高的解析度下反而變成雜訊。因此 AI 能透過統計規律實現用較粗糙的數據卻得到更好的預測效果

預測天氣屬於物理學中的複雜系統，這類問題因具有「混沌現象」、「非線性互動」與「多尺度影響」等特性，使用傳統數學工具需要極大量的運算。透過 AI 工具科學家正在一一突破瓶頸，令人期待未來十年的科學進展 🚀

ps. 金融系統性風險、流行病傳播、都市交通擁塞等問題也屬於複雜系統，也許就是下一個要被突破的領域