課程來源： 台大李宏毅《機器學習》2026 Spring
影片連結： YouTube（約 24 分鐘）
投影片： agent_era.pdf
⚠️ 本講「論文」指國際會議 / 期刊論文（向社群溝通新貢獻），不是學位論文；兩者適合 AI 參與的程度應分開討論。
#一、這堂課在講什麼？
AI Agent 三部曲的最後一集，用學術研究當例子，談對未來工作的衝擊。
| 階段 | 角色 | 說明 |
|---|---|---|
| 早期 | 工具 | 一個口令、一個動作 |
| 中期 | 協作 | 與人類一起完成任務 |
| 現在 | 代理 | 更強自主性，有機會自己獨立完成任務 |
核心問題因此變成：
AI 能不能自己寫一篇（國際會議 / 期刊）論文？
系列回顧：
- Context Engineering
- Agent 之間的互動
- 對工作的衝擊（本講）
#二、案例：Andrew Hall 與「100 倍研究助理」
Stanford 政治經濟學教授 Andrew Hall 在 X 上分享：用 Claude Code（概念類似 OpenClaw）花約 1 小時 prompt，讓 AI 獨自寫出一篇文章。他形容 AI Agent 對自己領域像「迎面而來的貨車」。
| 執行者 | 時間 | 成本（約） | 結果 |
|---|---|---|---|
| Claude Code | ~1 小時 | ~$10 | 幾乎完成；有一筆資料貼錯 |
| 博士生 | 16 小時（約兩工作日） | 按美國行情至少 ~$1000 | 略好一點 |
Hall 的結論大致是：
- 人類仍稍微好一點，但差距很小
- Claude 即使再 prompt 5 次，也只要約 $50 → 仍比人類便宜約 20 倍
- 他寫了文章討論 「100x Research Institution / 100 倍的 research assistant」
相關連結：
- Andrew Hall 的 X 討論
- The 100x Research Institution
- Claude Code prompt 示例：GitHub instructions
研究的真正意義是解決問題，而不是「發論文」本身。若 AI 能低成本完成大量可重複分析，研究生態會改變。
#三、AI 在研究流程中的多重角色
AI Agent 已能參與：
- 文獻蒐集與整理
- 撰寫文章
- 自主訓練模型（作業二可體驗：Agent 當 AI Engineer，自己改 training script、迭代模型）
- 實驗與分析
代表方向：Karpathy 的 autoresearch。老師也提到用 Claude Code 完成「如何用 AI Agent 做學術研究」類文章的台灣實踐。
#四、產生研究想法：新穎性 ≠ 可執行性
兩篇重要對照：
-
Can LLMs Generate Novel Research Ideas?
arXiv:2409.04109- 大規模人類研究（100+ NLP 研究者）
- AI 在新穎性上可表現突出
-
The Ideation-Execution Gap
arXiv:2506.20803- 把 LLM / 人類想法真的做成短論文再審
- 實作後，AI 點子的新穎感往往掉下來——表面堆砌新詞，落地做不起來
另一觀察（arXiv:2511.15534）：不少作者反映 AI「缺乏創造力」，難產生超出既有模板的複雜實驗想法。
傾向：AI 擅長在既有範式內加速執行、迭代；真正開創性方向仍常需要人類在早期引導。
也別忘記：這是 2025 年的結論；模型只會更強。
#五、AI 審論文：已進入正式流程
AAAI 2026：
- AI 正式進入審查流程
- 每篇除人類 reviewer 外，還有 AI reviewer
- AI 只給意見、不打分數
- 也有人類 + AI 的 Meta Reviewer 設定
老師提醒：
- 不知道有多少「人類」背後其實是 AI Agent
- 要重新思考 Review 真正的意義
AI 寫論文 + AI 審論文的閉環
- 例如 Stanford 的 Agents4Science
- 接受率仍可低於 20%
- 「AI 產出 → AI 評審」已可能發生，但品質與意義仍有爭議
老師也提到用實驗室 Agent 小金協助審查論文的經驗。
#六、人類還剩什麼？
在 AI Agent 萌芽的時代，
「想做」什麼比「會做」什麼更重要。
- 今天很多環節仍需要人來決定方向與價值判斷
- 學位論文 vs 會議 / 期刊論文：適合 AI 參與的程度不同
- 競賽：Teaching Monster 教學怪獸挑戰（台大 AI 卓越研究中心主辦）
下次課程將深入模型內部（inference）；可先複習：深入解剖大型語言模型
#七、三集系列總覽
| 集數 | 主題 | 核心內容 |
|---|---|---|
| (1/3) | Context Engineering | 壓縮、記憶、Sub-Agent、按需載入、Agentic CE |
| (2/3) | Agent 之間的互動 | 協作拓撲（Mesh > Chain）、狼人殺、Moltbook |
| (3/3) | 對工作的衝擊 | 100x 研究助理、AI 寫/審論文、人類價值判斷 |
#八、總結
AI Agent 已能以遠低於人類的成本完成大量研究執行工作（文獻、寫作、實驗、甚至部分審查）；
人類更關鍵的優勢，逐漸轉向選題、價值判斷，以及在 AI 閉環中仍堅持「真正的研究意義」。
延伸閱讀：
- 投影片：agent_era.pdf
- The 100x Research Institution
- Ideation-Execution Gap：arXiv:2506.20803
- Agents4Science