跳到主要內容

Corpus Index · 矛盾索引

142 個矛盾
等你自己判斷

讀角獸讀完 30 篇文章、上百個英文來源，整理出 142 個跨來源矛盾——不是 AI 可以用知識庫生成的「優缺點對比」，是 Housel 在兩本書裡自己跟自己打架、Sinclair 自己停用 NMN 但不推薦你停、PitchBook 和 Patrick Boyle 算 Starlink 市場差 37 倍。

每一條都帶具名來源、原始主張、量級差距。點進任一條的完整判斷在原文裡——這裡只攤開問題，不幫你決定答案。

投資·投資決策

買不買、賣不賣，數字背後的判斷 · 36 個矛盾

皮質醇到底讓人更冒險還是讓人癱瘓按不下鍵盤？

John Coates（The Hour Between Dog and Wolf，Scott 案例）
崩盤後 Scott 的皮質醇持續高漲，從「什麼都敢買」變成「什麼都不敢碰」，好機會擺在面前手指停在鍵盤上按不下去——學習性無助
Cueva, Coates et al.（Nature Scientific Reports 2015）
給受試者口服 100 毫克的皮質醇之後，他們投入高風險資產的金額平均增加了 70%

⟶ 同一個研究者兩個研究方向相反；急性 +70% vs 慢性癱瘓

睪固酮到底能不能預測冒險行為？

John Coates（倫敦交易室追蹤）
交易員早上的睪固酮水平越高，當天下午的獲利就越高，17 個人裡有 14 個呈現同樣的模式；Cueva 的實驗裡塗抹睪固酮凝膠後高風險資產投入增加 46%
Robert Sapolsky（Behave）
在正常範圍內，個體之間的睪固酮差異不能預測誰會更具攻擊性；因果方向可能是反的——冒險行為本身會回過頭來刺激睪固酮分泌

⟶ Coates 觀察到 14/17 正相關；Sapolsky 說個體差異不預測行為

不花的錢算是財富還是一種病？

Morgan Housel（2020 年《致富心態》）
有錢的唯一方式就是不花你已經有的錢。不花的錢就是財富。現金是獨立的氧氣。存錢不需要理由。
Morgan Housel（2025 年 The Art of Spending Money）
Frugality Inertia：存錢從策略變成身份認同，退休了也切換不過來。把存錢當信仰，結果明明負擔得起好生活卻永遠捨不得善待自己。這不叫理財，叫記帳遊戲。

⟶ 同一作者前後隔五年，對「不花的錢」給了完全相反的評價

年輕時的錢應該花掉還是存起來？

Vicki Robin（Your Money or Your Life）
極度節儉，存到 25 倍年支出，靠利息活，永遠不碰本金。每一塊花掉的錢都是延後自由的代價。
Bill Perkins（Die With Zero）
每一塊存起來的錢都是浪費年輕身體的代價。年輕、有理由相信未來會賺更多，這時候把 20% 收入存起來是瘋了。主張消費平滑化：年輕時甚至可以借錢花。

⟶ 兩人對同一筆年輕時的錢估值完全相反

體驗的價值如何計算？

Bill Perkins
花錢買來的體驗叫「記憶股息」(memory dividends)。每次你翻旅行照片、跟朋友講那次的故事，你就在領一次利息。越年輕投資體驗，股息累積越多。
Morgan Housel（The Art of Spending Money）
世界上不存在客觀上「好的體驗」，所有的「好」都只是期待和現實之間的落差。花十萬去冰島很開心，明年紐西蘭打折，後年日本「還好」。這些地方沒變差，是你的基準線上移了。你花錢的品質由對比決定，跟金額無關。

⟶ 一人說體驗會累積增值，一人說體驗靠對比、會遞減

4% 法則的安全提領率到底是多少？

William Bengen（1994 年原始研究 vs 2025 年新書）
1994 年提出 4%，30 年不破產；2025 年新書把安全提領率上修到 4.7%。發明人自己也改了。
Morningstar（2026 年研究）
安全起始提領率應調整為 3.9%。但彈性提領策略可以把起始率提高到接近 6%。

⟶ 3.9% 到 6% 區間，同一個公式出現三個相反結論

退休者到底是存不夠還是花不夠？

MetLife（2026 年研究）
58% 的準退休者擔心錢不夠用。準退休者預期儲蓄只夠用 15 年，比四年前的 19 年縮水。62% 低估了需要的金額。
New York Life
只有 31% 的退休者定期從投資組合提領，17% 完全不提領。消費缺口高達 47% 到 53%，退休者平均只花了他們安全可以花的金額的一半。

⟶ 怕不夠用和實際花不夠同時存在——47%-53% 消費缺口 vs 58% 擔心不夠

4% 法則的設計目標是對的還是錯的？

Vicki Robin
4% 法則配合 25 倍年支出的存款，目標就是永遠不碰本金，靠利息活到被動收入超過月支出的 Crossover Point。
Bill Perkins
4% 法則的設計目標是讓你永遠不碰本金，但這保證你死的時候銀行還有一大筆錢。替代方案是買年金，用一次性支付換取保證收入，然後把其他的錢花光。

⟶ 一人視「不碰本金」為聖杯，一人視為 bug

你對抗的是大腦的硬體缺陷，還是你選擇輸入資訊的偏差？

Daniel Kahneman
你的 System 1 會系統性地略過不利的資訊（WYSIATI——你看到的就是全部，被忽略的連你都不知道被忽略了）
Hugo Mercier
人類不是天生容易被操縱的，演化出了精密的「開放警覺機制」；你選擇聽某個人，是因為他說的跟你已經想做的事一致——你在主動搜尋能合理化偏見的來源

⟶ 硬體限制 vs 軟體行為——不同層次的問題，解法完全相反（前者修大腦處理，後者修來源選擇）

投資人做錯決定的根本原因是什麼？

Daniel Crosby
你的大腦有 bug。大腦是為了在非洲草原上躲獅子而進化的，不是為了在螢幕前判斷一家公司值多少錢。牛市多巴胺讓你追風險，熊市杏仁核讓你在最差時點賣出。
Adam Hayes
行為經濟學把人腦比喻為「有 bug 的軟體」是嚴重過度簡化。你做的「不理性」投資決定，不是因為你的大腦壞了，是因為你的社會網絡在替你做決定。

⟶ 個體神經科學 vs 社會網絡分析

從眾在投資裡是死穴還是智慧？

Daniel Crosby
從眾是投資人的死穴。確認偏誤讓你只聽跟你想法一樣的人，從眾效應讓你在牛市追高、熊市殺低。處方：做一個「有原則的反向者」，系統性地對抗群體的噪音。
Robert Cialdini
當很多人做同一件事，大多數時候那是正確的。社會證明是一個高效率的導航系統，不是缺陷。問題只出在兩個特殊時刻：證據被偽造，或群體盲目跟隨自己而不檢查事實。

⟶ 群體是噪音 vs 群體通常比你聰明

面對投資決策，該消滅情感還是擁抱情感？

Daniel Crosby
消滅情感，做一個冷血的理性機器。要當好的投資人，你基本上需要做一個「功能性精神病患」。
Morgan Housel
擁抱你對策略的情感連結，因為你愛的策略你才撐得住。

⟶ 兩人藥方完全相反

投資人的「非理性行為」是錯誤還是需求？

Daniel Crosby
把非理性行為歸類為「行為風險」，要消除。
Meir Statman
你確定那是「錯誤」嗎？還是那是「需求」？買樂透買的是一整週的希望，買對沖基金買的是身份費。他們做的事情對我來說可能沒有意義，但對他們有意義。

⟶ 行為風險 vs 理性的身份消費

CUDA 護城河在擴大還是縮小？

Bill Gurley
CUDA 的故事讓他想起 2000 年代初期的企業軟體市場：100% 新創跑在 Oracle 和 Sun 上，五年之內全部換成開源的 Linux 和 MySQL。開發者正在往堆疊上層走，底下是誰的晶片會變得不重要
輝達工程師
不斷重寫底層機器碼壓榨新一代晶片的效能，這些優化會自動回饋到整個 CUDA 生態，開源替代方案跟不上這個速度

⟶ 一邊預測五年內被開源取代，一邊說開源追不上

從 CUDA 切換到競爭對手平台的實際成本有多高？

一位前輝達研究員
切換 CUDA 是「巨大工程」，開發者試了通常決定「不值得」
另一位受訪者
有時候「只要改幾行程式碼」就能從 CUDA 移到競爭對手的平台

⟶ 同一本書裡「巨大工程」vs「只要改幾行程式碼」的直接矛盾

推論市場的 CUDA 護城河存不存在？

Sunny Madra
「CUDA 的護城河在推論市場不存在。」Grok、Cerebras、SambaNova 在推論的性能和價格上已經超越輝達
黃仁勳
輝達在推論市場的護城河反而更強，因為全世界的資料中心已經裝了大量輝達的舊晶片，CUDA 的向後相容讓這些舊晶片可以直接跑推論

⟶ 「護城河不存在」vs「護城河反而更強」

如果 AI 標準化在 PyTorch 上，客製化晶片能不能打贏通用 GPU？

Gavin Baker
如果全世界的 AI 開發標準化在 PyTorch 上，那專門針對 PyTorch 最佳化的 ASIC（客製化晶片）理論上可以做得比通用 GPU 更好更便宜
Stephen Witt
AI 產業的確已經標準化在 PyTorch 上了，但開發者還是選擇輝達，因為輝達積極地讓 PyTorch 在 CUDA 上跑得最好

⟶ 理論推演 vs 實際部署結果的對撞

被動投資是造成市場效率下降的主要原因嗎？

Michael Green（Simplify Asset Management，前 Peter Thiel 避險基金）
被動投資讓定價機制失效：主動投資者交易佔比從 1995 年的 80% 降至不到 10%，被動資金按市值加權買賣，不分析基本面。被動持股達 83% 時市場將無法正常清算。
Cliff Asness（AQR 創辦人，2023 年論文《Less-Efficient Market Hypothesis》年度最佳論文獎）
市場效率確實下降，但主因是社群媒體讓群眾智慧變成群眾暴動。被動投資的角色被過度指控，即使被動交易量比例上升，實際定價仍由剩下的主動投資者決定。

⟶ Green 說主動定價者剩 10%，Asness 說仍主導定價——對同一批人的影響力判斷截然相反

被動基金持有多少比例市場才會出問題？

Michael Green（市場結構模型推算）
被動持股達到 83% 時，市場將無法正常進行價格發現和清算。目前約 54%，每年增加約 4 個百分點，四到六年內達到臨界。
John Bogle（指數基金發明者，Vanguard 創辦人）
被動基金可以安全增長到市場的 75% 不會出問題。但 Bogle 在 Cliff Asness 的 podcast 上被追問此數字來源，承認：「我完全瞎編的。」

⟶ 83% vs 75%，差 8 個百分點；且 Bogle 的 75% 被發明者自己否定為無依據

被動投資的潛在問題是哪一層？

Michael Green
問題在市場結構層：做功課的人被系統性清除，被動資金按資金流向而非基本面決定股價，崩盤時沒有人接手。
John Bogle（2018 年 11 月《華爾街日報》，其死前最後幾週）
問題在公司治理層：Vanguard、BlackRock、State Street 三家控制 80% 指數基金資產，自動成為幾乎每一家美國大公司的最大股東，投票控制權集中。「我不相信這種集中度符合國家利益。」

⟶ Green 擔心清算失靈，Bogle 擔心投票控制——兩者診斷的風險層次完全不同

市場面對被動化是否能自我修正回均衡？

Cliff Asness（AQR，均衡理論）
市場效率下降對主動管理者是機會，小魚少了鯊魚更容易賺錢，長期會吸引更多主動投資者回來，均衡會自我修復。市場最終會回到均衡。
Michael Green
均衡假設有一個前提——回來有利可圖。但實際是反向螺旋：主動基金規模縮水、收入下降、裁員、人才流失、更難打敗指數、規模繼續縮水。沒有人說得出螺旋在哪個點停下來。

⟶ Asness 相信均衡會自我修復，Green 認為螺旋沒有自然停止點

指數基金 / ETF 是值得推廣的金融工具嗎？

John Bogle（1976 年，Vanguard 指數基金創辦人）
推出史上第一檔面向散戶的指數基金，五十年實績長期贏過 95% 的主動基金經理人，稱其為「金融史上最偉大的發明」。
John Bogle（對 ETF 的評價，同一人不同時期）
把 ETF 比喻成倫敦最好的珀代獵槍：「去非洲打大型動物是神器，但也很適合自殺。」反問「誰會早上十點半買進下午一點賣出？」並在 2018 年臨終前警告指數基金的集中度「不符合國家利益」。

⟶ 同一發明者走完反對→發明→推廣→懷疑→警告的完整弧線，五十年跨度

TQQQ 長期定期定額的勝率是高還是低？

股板勝率派（PTT Stock 板主流論述）
以 2012 年以來的歷史，定期定額三年以上勝率九成，七年以上 100%。
havocfuture.tw 回測分析
若從 1999 年 1 月 1 日起做同樣的定期定額，1999-2022 這 24 年 TQQQ 年化報酬只有 5.62%，輸 QQQ 的 9.37%，最大回撤接近 99.91%。

⟶ 起點差 13 年，結論相反；99.91% 回撤需上漲一千倍回本

波動率衰減（volatility decay）是槓桿 ETF 長期持有者的必然損耗嗎？

SLCG（Guedj, Li, McCann）及傳統學術文獻
三倍槓桿 ETF 有結構性耗損，每年波動率 20% 會產生約 2% 的年化磨損。每日再平衡等於長期必虧的機制設計。
Hsieh et al.（2025 arxiv preprint，AR(1)-GARCH 模型）
傳統衰減公式「不完整」。Lemma 3.1 證明：若每日回報彼此獨立，期望複利效果一定非負。Decay 需要均值回歸市場作前提，在正自相關趨勢市裡，衰減甚至可以是正的。

⟶ 傳統公式：每年必虧 2%；新模型：趨勢市可以是正複利，衰減非普遍定律

ProShares 的立場是：TQQQ 適合長期持有嗎？

ProShares TQQQ 招股書（法律合規文件）
「基金的目標只有單日是三倍。一天以上它不保證也不追求。」並揭露指數年跌 20% + 波動率 50% 時預期跌幅 -75.8%，2022 年實績 -79.03%。
ProShares TQQQ 行銷與媒體露出
「捕捉 Nasdaq 100 的三倍動能」「適合積極投資人」「追求科技成長」。

⟶ 同一公司同一產品：招股書揭露 -79.03% 實績、長期目標不保障；行銷強調三倍動能捕捉。同一管道不同，讀者看到的結論相反

股板 TQQQ 成功案例的操作方式是什麼？

股板主流論述（引用 TQQQ 王的讀者）
「一張不賣奇蹟自來」「純 DCA + 重倉 + 不再平衡」是成功法則，TQQQ 王四十萬美金獲利就是最好的例子。
TQQQ 王（PTT 年報原文）
「高點（破歷史高點）的時候賣一些 TQQQ 換成 QQQ，低點（大跌 15% 以上）的時候賣 QQQ 換成 TQQQ。」他做了主動調整，不是純信仰長持。

⟶ 被引用為長持信仰典範的 TQQQ 王，實際操作是主動再平衡；轉述時主動判斷被刪掉

美國晶圓廠的製造良率能不能追上台灣？

張忠謀
1995 年 WaferTech 毛利率 20-25%，比台灣廠低了整整二十幾個百分點。文化衝突、預算超支、管理失控，美國廠是一場災難。
魏哲家
2025 年 1 月法說會說 Arizona Fab 21 Phase 1 良率和缺陷密度已接近台灣水準。

⟶ 同一家公司，毛利率差距從二十幾個百分點縮至「接近台灣水準」，跨三十年

台積電的核心護城河是什麼？

Dylan Patel
台積電護城河在製程良率：一台 EUV 光刻機 1.5 億美元、先進製程良率 90%，Samsung 同級只有 60%，這個差距砸錢也追不上。
黃仁勳
護城河在「絕不跟客戶競爭」的治理承諾。買台積電產能幾十年，判斷標準是「deep trust and agility」，沒提良率。技術可以砸錢追，治理承諾追不上。

⟶ 工程師量良率（可量化差距 90% vs 60%），客戶量治理信任（不可複製的承諾）

台積電是否保護台灣免於軍事衝突（矽盾論）？

童子賢
護國神山是奇怪觀念，不能幻想台積電再守護台灣二十年。
Hal Brands
中國是正在 peaking 的力量，2020 年代是軍事冒險動機最強的窗口期；台灣月飛行不到十小時、超過半數戰車故障，矽盾無法依賴軍事準備度支撐。

⟶ 矽盾論相信全球依賴構成威懾，Danger Zone 認為衰落大國的窗口期風險比依賴更大

巴菲特如何評估台積電作為投資標的？

巴菲特
2022 年花 40 億美元買進台積電，確認台積電基本面出色，是一家好公司。
巴菲特
幾個月後全數出清，理由不是基本面，而是重新評估地緣政治風險。把錢移到日本五大商社，基本面不如台積電但不在台灣。

⟶ 同一人幾個月內從買進 40 億美元到全部出清，理由從「基本面好」翻轉到「地點風險算不出來」

長壽·身體科學

你的身體比你以為的複雜 · 45 個矛盾

停用 GLP-1 藥物後，體重會復胖多少？

STEP 1 Trial
1,961 個人打了 68 週 semaglutide 後強制停藥並停掉所有生活介入，一年後減掉的體重回來了三分之二，淨效果只剩 5.6%
Cleveland Clinic
追蹤 7,938 個在真實醫療環境中停用 GLP-1 的患者，肥胖組停藥後平均復胖只有 0.5%，45% 的人體重繼續下降或維持不變

⟶ 0.5% vs 三分之二，差 130 倍

GLP-1 使用者會流失多少瘦肉體重？

Peter Attia / STEP 1 身體組成子分析
STEP 1 身體組成子分析（140 人）顯示，semaglutide 使用者減掉的體重裡約 39% 是瘦肉體重，Attia 用「令人擔憂」形容
2025 PMC Case Series
搭配阻力訓練（每週 3-5 次）和高蛋白飲食的 GLP-1 使用者，一人瘦肉體重只流失 6.9%，另外兩人反而增加 2.5% 到 5.8%

⟶ 39% 流失 vs 2.5%-5.8% 增加

停用 GLP-1 後是否安全？

Cleveland Clinic
停藥後體重平均只復胖 0.5%，肌肉流失可以靠蛋白質和重訓預防，停藥看起來是安全的選擇
Washington University
追蹤 333,687 名糖尿病患者三年：停藥六個月心血管風險增加 4-8%、一年 14%、兩年 22%，心臟保護建立得慢消退得快，重新用藥只能部分恢復

⟶ 體重指標說沒事 vs 心臟指標六個月就開始付代價

繼續用 GLP-1 vs 停藥，哪個風險大？

Washington University
停藥後六個月心血管風險就開始升，兩年後增加 22%，心臟留下「持久的疤痕」
Slate / Johann Hari
長期過度刺激的後果是胃輕癱風險增加四倍、胰臟炎風險增加九倍，且沒有臨床指南要求開藥前先測體內 GLP-1 濃度

⟶ 停藥有心血管代價 vs 繼續打有神經系統風險，困境沒有乾淨出口

猛健樂還是週纖達哪個更適合打？

SURMOUNT-5 試驗（NEJM 2025）
751 人、72 週正面對決：猛健樂 -20.2%，週纖達 -13.7%，差距 6.5 個百分點，在所有亞群中都成立。
SELECT 試驗（NEJM）
週纖達降低主要心血管事件 20%、全因死亡率 19%，而且這個好處跟體重減少幅度之間沒有相關性，腰圍縮減只能解釋 33% 的風險降低。

⟶ 20.2% vs 13.7% 減重 vs 獨立 20% 心血管保護

GLP-1 到底會不會吃掉肌肉？

網路上流傳 / STEP 1 數據
減掉的體重裡，39% 是肌肉。每瘦 10 公斤就有 4 公斤是肌肉而不是脂肪。
Lyle McDonald（The GLP-1 Solution）
把所有 GLP-1 試驗放在一起做統合分析，瘦體重流失比例是 25-27%，跟正常節食一模一樣，搭配阻力訓練和高蛋白可降到 15-20%。

⟶ 39% vs 25-27%，搭配訓練可再降到 15-20%

GLP-1 減重帶來的瘦體重流失對誰最危險？

Lyle McDonald（The GLP-1 Solution）
GLP-1 不會特別「吃肌肉」，任何能量赤字都會，30 歲的人丟掉一些肌肉有儲備可以補回來。
一位長壽醫學醫師（Peter Attia）
對於 60 歲已經在自然流失肌肉、有肌少性肥胖症的患者，進一步流失瘦體重對健康和壽命的威脅可能比肥胖本身更大，減重手術可能比 GLP-1 更合適。

⟶ 一般族群可補回 vs 老年族群可能比肥胖本身更危險

GLP-1 的適應症擴張對用藥者是好消息還是壞消息？

FLOW / 臨床試驗體系
腎臟 FLOW 試驗顯示腎病惡化風險降低 24%，好到被提前終止；猛健樂獲 FDA 核准治療睡眠呼吸中止，阿茲海默試驗進行中。
作者風險視角
藥廠的商業利益是讓每個適應症都需要長期用藥，而最長的人類數據只有 3-4 年，越多適應症上市，暴露在未知長期風險下的人口就越大。

⟶ -24% 腎病風險 vs 只有 3-4 年長期數據

GLP-1 能不能治肥胖？（九〇年代 Novo 內部）

Lotte Bjerre Knudsen（Novo 科學家）
在實驗室裡看到老鼠把自己餓死，確信這個分子可以治肥胖，花了一年說服高層並在 12 個月死線內穩定了分子。
Mads Ovlisen（當時 Novo CEO）
每天跑十公里，直接說「如果每個人都做運動，就不會有肥胖問題」。

⟶ 分子可治肥胖 vs 運動就解決

168 跟傳統節食一樣還是完全不同？

Cochrane Library（Garegnani et al.）
六到十二個月，168 跟傳統熱量限制減重差不多，統計上沒有顯著差異，大約減 2 到 5%。斷食有超越熱量限制的特殊代謝效果，這個說法幾乎沒有實證支持。
Jason Fung（The Obesity Code）
傳統節食幾乎必定失敗，因為身體會把代謝調低；斷食不同，胰島素歸零、腎上腺素上升、靜息代謝率增加 12%。Women's Health Initiative 48,835 人節食七年半體重沒動、Biggest Loser 冠軍基礎代謝率下降 800 大卡證明節食必輸。

⟶ Cochrane 量六到十二個月體重，Fung 量五到七年復胖率和代謝損傷

等熱量下，進食窗口本身有沒有獨立的代謝效果？

Satchin Panda（Huberman 轉述）
2012 年小鼠研究：同樣高脂飲食、同樣熱量，8 小時內吃完的老鼠沒變胖，整天自由進食的對照組肥胖生病。
Olga Ramich（ChronoFast）
31 名過重或肥胖女性、嚴格控制等熱量、8 小時窗口、兩週。血糖、胰島素敏感性、血脂全部零改善。之前說 168 有代謝好處的研究，受試者其實在不知不覺中少吃了。

⟶ 小鼠 4 個月 vs 人體 2 週，時間尺度差距懸殊

168 是否真的讓心血管死亡風險升高 91%？

Victor Zhong（上海交通大學，美國心臟協會年會）
分析 20,078 名美國成人、追蹤中位數八年，每天進食時間八小時以內的人，心血管疾病死亡風險比吃十二到十六小時的人高 91%。
Christopher Gardner（Stanford）+ Kenneth Mukamal（Harvard）
研究設計根本不能回答這個問題：只憑兩天飲食回憶分類、沒控制食物品質、沒排除癌症末期和重症患者因食慾不振自然少吃的逆因果。觀察性研究只能告訴你相關不是因果。

⟶ 91% 的數字 vs 方法論致命缺陷

168 會不會傷害女性生殖荷爾蒙？

Dave Asprey（Fast This Way）
女性比男性更敏感，每天規律做 168 會讓大腦誤以為飢荒來了，觸發「停止生育」的演化機制。動物研究：兩週間歇性斷食讓雌鼠卵巢萎縮、停止排卵。建議女性隔天斷食、保留碳水補給日。
Jason Fung
正常體重女性的三天完全斷食研究顯示，月經週期和生殖荷爾蒙完全沒有受到影響。同意體重過輕的女性不應斷食，但反對把這個禁忌擴展到一般健康女性。

⟶ 動物研究（雌鼠本身偏瘦）vs 人體研究（正常體重女性）

防彈咖啡算不算打破斷食？

Dave Asprey
防彈咖啡（加草飼奶油和 MCT 油）不會打破斷食。沒有蛋白質和碳水化合物就不刺激胰島素，身體仍然認為在斷食中，自噬和燃脂繼續進行。
Jason Fung + Jimmy Moore（The Complete Guide to Fasting）+ Andrew Huberman
Fung 和 Moore：一杯防彈咖啡有四五百大卡，騙得了胰島素但騙不了熱力學，「不是真正的斷食」。Huberman 最嚴格：吃進任何食物都會把身體從修復模式推向生長模式。

⟶ 胰島素反應 vs 熱量反應

補充單一分子能延長壽命嗎？

David Sinclair
NMN 提升 NAD+，能支持 Sirtuin 家族的修復機制
Valter Longo
想靠多吃維他命 C 來延長壽命，就像在莫札特的交響曲裡多加幾個大提琴手；人體經過數十億年的演化已經接近完美

⟶ 分子補充 vs 整體演化

老鼠的抗老化數據能外推到人類嗎？

ITP（多個頂尖實驗室同時測試）
老年老鼠服用雷帕黴素，雄鼠壽命延長 28%，雌鼠延長 38%，是史上最一致的動物數據
Eric Verdin
我們不是裸鼴鼠，我們的長壽機制已經高度優化了；老鼠身上延壽 38% 不等於在人類身上能做到哪怕 5%

⟶ 38% vs 可能不到 5%

只能做一件事來活久一點，該做什麼？

David Sinclair、Peter Attia、Valter Longo
Sinclair 推補充劑、Attia 炒作質疑、Longo 認為補充劑無效；三人在補充劑上吵得不可開交
David Sinclair、Peter Attia、Valter Longo
問同一個問題時三人答案完全一樣：運動（Attia 稱為「最強的長壽藥物」）

⟶ 分歧 vs 共識

NMN / 白藜蘆醇這類長壽補充劑值得吃嗎？

David Sinclair
NMN 能提升 NAD+ 啟動長壽基因，白藜蘆醇激活 SIR2；自己吃 NMN 吃了十年，依然推薦每天吃 1 克白藜蘆醇（配優格溶解脂溶性）
Peter Attia
白藜蘆醇「不值得你花時間」；NAD+ 下降 85% 肌肉功能照常運作；NMN 跟 NR 的爭論「純粹是商業定位，沒有科學理由偏好哪一邊」

⟶ 一人推薦每天 1 克，一人說「不值得花時間」

間歇性斷食（168）對減重和健康有效嗎？

Valter Longo
少吃能延壽；FMD 有小型正面 RCT 結果（但他持有 FMD 公司股份）
Cochrane Review 2026
22 個臨床試驗、將近 2000 人，間歇性斷食跟標準飲食建議相比「幾乎沒有差異」；跟什麼都不做相比也「可能幾乎沒有差異」

⟶ 22 個試驗、2000 人的最高等級證據 vs 單一學者與其持股公司的 FMD 小型 RCT

人類需要睡幾個小時才健康？

Matthew Walker
睡不夠八小時會得癌症、失智、心臟病；WHO 已經宣布了「全球睡眠流行病」
Daniel Lieberman
坦桑尼亞、喀拉哈里沙漠和亞馬遜叢林三個狩獵採集者族群平均睡眠時間 5.7 到 7.1 小時；8 小時更像是工業革命的產物，不是演化的要求

⟶ Walker 的 8 小時底線 vs Lieberman 跨大洲田野數據的 5.7–7.1 小時

Walker 的《為什麼要睡覺？》事實正確嗎？

Matthew Walker
書中聲稱 WHO 宣布「全球睡眠流行病」、睡不夠會翻倍癌症風險、致死性家族失眠症（FFI）證明不睡覺會死
Alexey Guzey
花了 130 小時 fact-check 第一章就找到至少七個重大問題：WHO 從未宣布「睡眠流行病」；刪除了不利的數據；150 萬人統合分析顯示短睡眠跟整體癌症風險沒顯著關聯；FFI 是朊病毒疾病不是睡眠不足致死；NSF 推薦的是 7-9 小時不是 8 小時

⟶ 一本全球暢銷書 vs 130 小時獨立核查找到七個錯誤

Blue Zones 超級人瑞數據可信嗎？

Dan Buettner
世界上有五個地區的人特別長壽——沖繩、薩丁尼亞、伊卡利亞、尼科亞、洛馬林達；共通點是植物性飲食、自然運動、社群連結、目的感
Saul Justin Newman
義大利有三萬人死了還在領養老金，哥斯大黎加 42% 的百歲人瑞年齡造假（修正後尼科亞 Blue Zone 縮水約 90%），日本 82% 登記為活著的百歲人瑞實際上已經死亡，希臘約 9000 人死了還在領百歲養老金

⟶ 全世界引用的長壽聖地 vs 修正後 Blue Zone 縮水 90%、Ig Nobel 2024

NAD+ 水平下降是老化的核心問題嗎？

David Sinclair
老化不是磨損，是資訊丟失；NMN 透過提升細胞裡的 NAD+ 水平來啟動長壽基因
Peter Attia
問題可能不是 NAD+ 太少，而是 NAD+ 和 NADH 之間的氧化還原電位在衰退；口服 NMN 確實能拉高血液裡的 NAD+ 數字，但「不知道有多少真的進到細胞裡面」

⟶ NAD+ 濃度下降 vs 氧化還原電位下降的機制之爭

50-65 歲之間吃高蛋白是長壽還是早死？

Valter Longo
50-65 歲高蛋白（超過 20% 熱量）全因死亡率比低蛋白族群高 75% 以上，癌症死亡率高四倍；但 65 歲以上翻過來，全因死亡率下降 28%，癌症死亡率下降 60%
Peter Attia
流行病學充滿混淆因子，觀察不到因果，只有 RCT 值得參考

⟶ 50-65 歲全因死亡率 +75% vs 65+ 歲 -28%，切點差約 100 個百分點

高蛋白飲食會增加動脈硬化風險嗎？

Eric Topol
2024 年 Nature Metabolism 研究顯示高蛋白可能透過 leucine → mTOR 路徑增加動脈硬化風險，小鼠先發現、人體研究也看到類似方向
Peter Attia
機制研究不等於人體傷害，不能從動物實驗直接外推到臨床建議

⟶ 機制證據 vs 臨床證據的門檻分歧

推薦高蛋白的 Attia 和 Huberman 有利益衝突嗎？

Eric Topol
Attia 和 Huberman 各自持有 David 蛋白棒的股份
Peter Attia
他的論點建立在對現有研究的詮釋上，用整章節解釋 RDA 是最低生存值、老年人和重訓者被嚴重低估、肌肉維持是晚年獨立生活的關鍵變數

⟶ 利益揭露改變信任權重，但不直接證否論述

有低 T 症狀的男性，該直接補充睪固酮還是先改生活方式？

Abraham Morgentaler（哈佛泌尿科）
讓有症狀的人「先改半年生活方式」是不人道的。驗血，確認游離 T 低，直接開始補充。
Busnelli（Human Reproduction 2017）
95% 的 TRT 處方不符合指南建議。75% 有症狀的男性同時過重或肥胖，減下來很多人就正常了，根本不需要藥。

⟶ 95% 處方被 Busnelli 判定為不該開

男性睪固酮跨世代下降的主因是什麼？

Travison（JCEM 2007）
男性的睪固酮以每年大約 1% 的速度在下降，而且控制了年齡之後依然存在——同樣年紀的男人一代比一代低。
Andersson（丹麥研究團隊，追蹤超過 5,300 人）
控制 BMI 之後，下降幅度大幅縮小。不是荷爾蒙在衰退，是男人變胖了。

⟶ 是否為獨立世代效應 vs BMI 中介效應

因果方向——是低 T 導致沒幹勁，還是處境壓低了 T？

Abraham Morgentaler（哈佛泌尿科）
有症狀的低 T 男性應該驗血補充，症狀是 T 低下造成的。
Robert Sapolsky（史丹佛神經科學家）
不是低 T 讓你沒幹勁，是你的壓力、挫敗感、社交地位在壓低你的 T。睪固酮不創造行為，它放大既有模式。

⟶ 治療標的完全相反（激素 vs 處境）

睪固酮是否會在攝護腺癌上「火上澆油」？

Charles Huggins（1941 年諾貝爾獎論文）
七十年來教科書都說睪固酮「火上澆油」——但這個信念的起源論文裡只有一個沒被先閹割的病人。
Abraham Morgentaler（2006 飽和模型）
注射六個月睪固酮後，血中 T 大幅上升，但攝護腺組織裡的 T 完全不變。2025 年 12 月 FDA 專家小組建議移除攝護腺癌警告。

⟶ 1941 年一例證據 vs 2006 飽和模型，相隔 65 年

職涯·人生選擇

選擇比努力重要，但怎麼選 · 22 個矛盾

AI 會在多快的時間內取代白領工作？

Mustafa Suleyman（微軟 AI CEO）
18 個月內，大部分白領工作會被 AI 自動化。會計、法律、行銷、專案管理，只要是「坐在電腦前做的事」，全部
Anthropic（勞動市場影響報告）
自 ChatGPT 發布以來，高曝險職業的失業率沒有系統性上升。統計上跟零無法區分

⟶ 18 個月 vs 零失業；理論曝險 75% vs 實際覆蓋 33%

「人+AI」的組合會是長期的工作型態嗎？

Ethan Mollick（《Co-Intelligence》）
工作不是一個任務，是一束任務。AI 可以替代束裡的某些線，但很少能替代整束
Daniel Susskind（《A World Without Work》）
2005 年人機組合是西洋棋最強「選手」，到了 2017 年 AlphaZero 在沒有任何人類輸入的情況下擊敗了最強的西洋棋電腦。人的參與變成了噪音

⟶ 短期 Mollick 對（工作是一束任務），長期 Susskind 可能對（task encroachment）

AI 領域的人看 AI 取代程式設計師的前景是什麼？

Mustafa Suleyman（微軟 AI CEO）
18 個月內大部分白領工作被 AI 自動化，核心使命是達到「超級智慧」
Nathan Lambert（Allen Institute for AI）、Sebastian Raschka（《Build a Large Language Model from Scratch》作者）
真正的瓶頸是「人力和組織文化」，不是技術。我不認為現在任何一家公司擁有其他公司沒有的技術

⟶ 賣 AI 的看潛力天花板 vs 做 AI 的看每天的限制、bug、不確定性

高管對 AI 生產力的感受和實際數據一致嗎？

Duke CFO Survey（750 位美國 CFO）
高管感受到的 AI 生產力提升，遠大於實際營收數據能支持的幅度。預期今年有 502,000 個工作因 AI 消失
Robert Solow（1987 年諾貝爾獎 MIT 經濟學家）
你到處看到電腦時代，除了在生產力數據裡

⟶ 502,000 個預期消失工作 vs 經濟體層級零生產力關係

中年轉型到新領域,過去累積的職涯資本會不會在新領域發揮作用?

Cal Newport (So Good They Can't Ignore You)
職涯資本大部分是領域特定的;你在舊領域累積的人脈、聲譽、對客戶心理的理解,換到一個「有熱情」但陌生的領域,折現率接近零。不要跟隨熱情,先把自己變成市場上稀缺的人。
David Epstein (Range / 跨能致勝)
轉型本質上是認知的重新配置。你帶著舊領域的認知框架進入新領域,解決新領域的專家解不了的問題。晚專精者最終超越早專精者;50 歲創業者成功率是 30 歲的兩倍。

⟶ Newport 說折現率接近零;Epstein 引用的 50 歲創業成功率是 30 歲的兩倍

中年面對是否該離開目前工作時,真正的損失是「退出的成本」還是「留下來的成本」?

Cal Newport (So Good They Can't Ignore You)
放棄職涯資本才是損失。瑜伽教室案例是血淋淋的證據——行銷業的女人追隨熱情開瑜伽教室,幾年後靠食物券過活。
Annie Duke (Quit)
留在一個次優或正在虧損的局面,才是真正拖慢你的事。退出會讓你更快到達想去的地方。好的投資組合管理是「買進表現好的,賣出表現差的」,因為每一塊錢在任何時刻都有機會成本。

⟶ Newport 算的是退出的成本;Duke 算的是留下來的成本

中年晚轉到新領域,對職涯成功是有優勢還是沒優勢?

David Epstein (Range / 跨能致勝)
晚專精者超越早專精者,因為帶著跨領域的思維框架能用不同的角度看問題。英格蘭早選科學生長期收入反而低於晚選科的蘇格蘭學生,而且早選科者更容易在中年換行業。
ScienceDirect 15 年縱貫研究
橫向轉換(跨部門/跨功能)對年輕人的職涯成功有正面效果,但對中年人效果依條件而異——而且是上升轉換(往管理層)才對客觀成功有顯著效果,橫向的效果弱化。

⟶ Epstein 說晚轉有優勢;縱貫數據說中年後橫向轉換效果弱化、不確定

改變自己要先決定身份還是先採取行動？

James Clear
先決定你要成為什麼樣的人，然後每天用行動證明。身份驅動行為，要從身份層開始改，否則行為撐不過三週
Herminia Ibarra
你不可能事先知道自己要成為什麼人。成功轉型的人幾乎沒有一個是「先想清楚再行動」的，他們是做了才發現自己要什麼

⟶ 方向完全相反：Clear 在下游鎖行為，Ibarra 在上游找身份

職涯轉型時該遠離還是該依賴最親近的人？

Herminia Ibarra
建議遠離最親近的人。家人、伴侶、密友會把你拉回去，他們認識的是上一個你。Harris Roberts 被五個 mentor 的柵欄困住，William Bridges 轉行被家人說「你瘋了」。人只有在跟認識他們的人分開的時候才能真正改變
Amir Levine、Rachel Heller
依賴悖論：你越能有效地依賴另一個人，就越獨立、越敢冒險。Feeney 實驗顯示伴侶不支持時人會主動把目標降低，Coan 的 fMRI 顯示握著伴侶的手大腦威脅反應直接下降

⟶ 方向相反：Ibarra 說親密連結是阻力，Levine/Heller 說是條件

習慣自動化對職涯發展是解藥還是陷阱？

James Clear
環境設計讓好行為不用想就能做到，自動化是解藥
Adam Grant
過度自信循環——你越熟練一件事，你越不質疑它，越看不到世界已經變了。習慣可以讓你每天六點起床去一份三年前就該離開的工作，自動化不區分好的例行公事和壞的例行公事

⟶ 同一機制，相反定論：解藥 vs 陷阱

人為什麼會在職涯裡卡住？

Adam Grant
卡住是認知問題，叫做「承諾升級」——投入越多越退不出來。Ryan 十六年走不出醫學院那條路是因為認知上無法接受「我選錯了」
Jay Shetty
卡住是情感問題。You're not stuck. You're actually grieving a past version of yourself. 他自己在印度出家三年後住進醫院，想得透但放不下

⟶ Grant 的 Ryan 是想不通，Shetty 是走不動——一個是頭的問題，一個是心的問題

38 歲的人認知能力是在衰退還是在巔峰前夕？

Arthur Brooks
金融專業人士的表現在 36 到 40 歲之間達到巔峰；流體智力在 30 多歲開始下降；達爾文 50 歲寫出《物種起源》之後就完全停滯，看不懂孟德爾的新遺傳學。
David Epstein
一萬名科學家的研究顯示一個人最有影響力的論文跟他是第一篇還是第一百篇一樣可能出現；50 歲的科技創業者成功創辦高成長公司的機率是 30 歲的近兩倍。

⟶ 50 歲創業者成功率是 30 歲的兩倍

中年危機是寫進靈長類大腦的生物機制，還是一個可疑的概念？

Jonathan Rauch
幸福感有一條 U 型曲線，在 40 多歲末到 50 歲出頭觸底；研究者在 336 隻黑猩猩和 172 隻紅毛猩猩身上也發現了同樣的 U 型曲線，谷底換算成人類大約是 45 到 50 歲，這可能是寫進靈長類大腦的生物機制。
Bruce Feiler
中年危機是一個可疑的概念，1995 年 MIDUS 研究指出很少有證據支持大多數美國人會經歷中年危機；人生地震在 20、30、40、50、60 歲之間的分布是均勻的。

⟶ 跨國大規模數據+靈長類驗證 vs 美國 MIDUS 研究+數百人生命故事

人生第二階段應該追求什麼？

Arthur Brooks
你擅長的東西在變，那就去做新擅長的事；跳到第二曲線，從解題者轉為教學者，本質上是一次主動的職涯重新設計。Arthur 追求的是更好的自我（ego 還在，只是換了一種展現方式）。
David Brooks
追求更好的職涯策略，不管是第一曲線還是第二曲線，都是「第一座山」的邏輯；第二座山你爬不上去，是它征服你；核心是對一個人、一個社區、一個信仰、一份天職的不可撤回的承諾。David 追求的是自我的消融。

⟶ 能力重新設計 vs 自我消融；職涯策略升級 vs 存在問題的回答

該專注磨一把刀，還是跨領域探索？

Cal Newport
追隨熱情是爛建議，你需要 career capital，把一件事做到別人沒辦法忽視你；不被打斷的專注是稀缺資源，副業就是在消耗它。對照組 Joe Duffy 在同一家公司花了二十年磨同一把刀。
David Epstein
早期專精的英國學生後來跳出原本領域的比例反而更高（Malamud）；Nobel 得主業餘表演藝術機率是一般科學家 22 倍；50 歲創業者成功率幾乎是 30 歲的兩倍。跨領域連結比單一技能極致深度更有創新力。

⟶ 22 倍（Nobel 得主 vs 一般科學家的表演藝術參與率）

同時做多件事是策略還是弱者遊戲？

MJ DeMarco
真正有錢的人不分散，他們集中。Harrison Group 三千位淨資產五百萬美元以上的人，八成靠自己創業或小公司，只有一成靠被動投資。同時做多個副業是 Tekel Syndrome——每週換一個生意，什麼都沒累積。
Tim Ferriss
BrainQUICKEN 的 80/20：一百二十個批發客戶裡五個貢獻 95% 營收，砍到八個，工時從八十小時降到十五小時，月收入四週內從三萬翻倍到六萬。做到之後用 80/20 原則自動化。

⟶ 80 小時 vs 15 小時（每週工時）

生意應該規模化還是設上限？

MJ DeMarco
Commandment of Scale：生意必須能影響上百萬人才有價值。不能規模化就是死路。
Paul Jarvis
Sean D'Souza 的 Psychotactics 上限設在年獲利五十萬美元，朋友宣布要把利潤翻倍時拒絕跟進，因為翻倍需要更多員工、更多管理、更多壓力。Leah Andrews 手工做雪花球，可以請人量產但不想。

⟶ 上百萬人 vs 年獲利五十萬美元（規模目標對比）

磨一把刀和一人公司哪個才對？

Cal Newport
專注磨一把刀，副業是在消耗稀缺的深度工作資源；對照組 Joe Duffy 在同一家公司花二十年磨同一把刀。
Paul Jarvis
Company of One 要求你什麼都會做，心理學、銷售、記帳、客服全部自己來，這跟「磨一把刀」完全相反。

⟶ 一把刀（二十年）vs 所有技能（自己來）

應該在現有系統裡優化，還是整個系統本身就是壞的？

Cal Newport / Tim Ferriss / MJ DeMarco
有一個共同前提：經濟系統是正常的，你要在裡面找到最好的位置。教你磨刀、買回時間、致富。
David Graeber
銀行家年薪五百萬英鎊每賺 £1 摧毀 £7 社會價值；醫院清潔工年薪一萬三千英鎊每賺 £1 創造 £10。做真正有用的事的人領最少，做消失了世界不會變差的事的人領最多。系統本身在獎勵錯的事。

⟶ 五百萬英鎊 vs 一萬三千英鎊（摧毀者 vs 創造者的薪資對比）

AI·AI 時代

AI 改變什麼、不改變什麼 · 20 個矛盾

AGI 已經到了嗎？

Jensen Huang（NVIDIA CEO）
I think it's now. I think we've achieved AGI. 量的尺是經濟門檻——AI 能短暫做出一個值十億美元的數位產品。
Hendrycks 團隊（33 位研究者共簽，含 Gary Marcus 與 Yoshua Bengio）
GPT-5 的 AGI 分數是 57%，長期記憶 0/10。量的尺是心理計量學——10 個認知維度各打分數。

⟶ 二元達成 vs 57% 分數（差一半的分數）

AGI 這個詞還值得用嗎？

Daniela Amodei（Anthropic 總裁）+ Sam Altman（OpenAI CEO）+ Marc Benioff（Salesforce）
AGI 概念可能已經過時了；AGI 是不太有用的詞；這是一場集體催眠。建造 AGI 的公司自己在放棄這個詞。
Google DeepMind + Hendrycks 團隊
概念本身很好，只是被企業的行銷扭曲了。解法是用心理計量的尺取代 demo 影片的敘事——10 個認知維度各打分數。

⟶ 放棄概念 vs 用科學框架重新定義

大型語言模型有沒有可能變成真正的智慧？

Demis Hassabis（早年立場）
語言模型因為「沒有接地」（沒有在物理環境中互動）所以永遠無法產生智慧。
Demis Hassabis（後來承認）+ 出走的 LLM 派研究者
語言模型「不合理地有效」。LLM 派押對了趨勢。DeepMind 內部有人因此離職抗議。

⟶ 從永遠不可能到不合理地有效

AI 能不能建出一家十億美元的公司？

Jensen Huang（前半句）
AI 能搞出一個病毒式 app、一個數位網紅、一個 Tamagotchi 遊戲，衝到十億美元估值。
Jensen Huang（後半句）
要建造一家持續運作的公司——十萬個 AI agent 一起上也做不到。You said a billion, and you didn't say forever.

⟶ 短暫衝過 vs 持續運作，他自己需要用「十萬個一起」才敢說做不到

OpenClaw（以及 AI agent）安全嗎？

Peter Steinberger
只要照他的文件做，把 agent 放在私人網路上、確保只有你一個人跟它互動，「整個風險輪廓就消失了」。他說安全研究者誇大了風險。
Peter Steinberger
Prompt injection 目前「無解」，使用者「太容易相信了」，非技術用戶不該用，第一個版本根本沒有安全機制，他不會推薦給他媽媽用。

⟶ 同一人在同一集 podcast 裡自我矛盾

OpenAI 把不完美的 AI 放出去，是安全策略還是犧牲安全？

Sam Altman (The Optimist, Keach Hagey)
核心信念是「漸進部署」：把不完美的 AI 放出去，從真實世界的回饋中學習，比在實驗室裡猜測安全得多。
Jan Leike / Karen Hao (Empire of AI)
OpenAI 內部的安全團隊曾經成功延緩 GPT-2 完整版本的公開，但隨著公司越來越商業化，安全的聲音越來越小。「安全文化和流程已經讓位給了閃亮的產品。」

⟶ Altman 量的是「放出去之後我們學到了什麼」，Leike 量的是「放出去的時候我們犧牲了什麼」

面對 AI 風險，應該圍堵還是繼續發展？

Mustafa Suleyman (The Coming Wave)
設計了十步驟的「圍堵」框架：公司把至少 20% 研發預算用於安全、建立獨立的 AI 審計機構、用 GPU 供應鏈當減速帶、開發可靠的緊急關閉開關。
Mustafa Suleyman (The Coming Wave)
他自己承認三個致命弱點：緊急關閉開關是「未解的問題」；國際合作極度脆弱（你慢下來的地方，別人會衝上去）；成功的圍堵可能需要全球監控，「一個壓迫性的監控社會，只是另一種形式的失敗」。

⟶ 圍堵方案自我否定——每一層聽起來合理的答案，都被下一層打翻

AI agent 的風險有多大？該不該用？

Dario Amodei (The Adolescence of Technology)
把人類跟 AI 的關係比喻成青春期——混亂、危險、但可以走過去。主張「外科手術式干預」：施加完成任務所需的最小負擔。過度監管會跟不監管一樣危險。
Mustafa Suleyman (The Coming Wave)
未來的 AI 網路武器會是自主學習的蠕蟲，不斷探測、實驗、適應，自動找到金融數據庫和關鍵基礎設施的漏洞。他把這叫做「國家級緊急事態 2.0」。

⟶ 青春期 vs 國家級緊急事態

不用 AI agent 的代價有多大？

Jensen Huang
AI agent 代表 50 兆美元的市場機會，每個工程師很快會管理一百個 AI agent。AI 不是外星人、不是黑箱，它就是軟體。最大的威脅是太恐慌而不敢採用，不是 AI 失控。
Peter Steinberger
非技術用戶不該用。他的 Discord 裡充滿了問「什麼是 CLI？」的人。如果你不懂基本的程式概念和風險管理，你不應該用 OpenClaw。

⟶ 50 兆美元機會 vs 非技術用戶不該碰

AI 越強，人類的判斷力會被放大還是被取代？

Ajay Agrawal, Joshua Gans, Avi Goldfarb
AI 負責預測，人負責判斷，兩者分開，各做各的。AI 越強，人的判斷就越重要，因為有了更好的預測，你才能做更精細的判斷。
Ethan Mollick (BCG 實驗)
實際上人類不會分開。AI 預測越好、越方便，人就越懶得做判斷那一步。菁英顧問加了 AI，正確率從 84% 掉到 60%。

⟶ 正確率從 84% 掉到 60%，差距 24 個百分點

對 AI 的信任程度越高，使用者的判斷品質會如何變化？

Nature Scientific Reports 2026（295 人實驗）
越信任 AI 的人判斷越差，這個效應只在 AI 組出現，信任人類建議的人沒有這個問題。
AI & Society, Springer, 2025（35 篇研究回顧）
對 AI 了解最少的人會自動懷疑，了解中等的人最容易被牽著走，了解最深的人才知道什麼時候該信、什麼時候不該信。

⟶ 信任度與理解深度呈非線性關係

初學者應該自由探索還是接受有結構的引導？

Mitchel Resnick
最好的學習是不結構化的 tinkering，隨便玩、隨便試、不預設步驟。環境分成遊樂場和遊戲圍欄，前者永遠比後者好。
James Paul Gee
讓初學者在豐富環境中自由探索是糟糕的學習理論和無腦進步主義。沒有引導，人會走進一堆錯誤的模式，然後卡在死胡同裡出不來。遊戲之所以有效，正是因為它提供 strong doctrine，一套有序的問題。

⟶ Resnick 量的是內在動機，Gee 量的是學習效率，兩個不同的變數各自對

遊戲化的獎勵機制（點數、徽章、排行榜）是殺死動機還是幫助入門？

Mitchel Resnick
強烈反對遊戲化教育：點數、徽章、排行榜。這些外在獎勵短期刺激行為，長期殺死內在動機和創造力。Scratch 刻意沒有任何點數和徽章系統。
Frontiers in Psychology
2024 年統合分析：獎勵和回饋對動機的效果量 g=0.40，參與度 g=0.44，認知發展 g=0.46，社會發展 g=0.38。

⟶ Resnick 量的是二十年後這個小孩還會不會自己寫 code，統合分析量的是這學期他願不願意打開工具

遊戲化在學校田野裡到底有沒有效？

Mitchel Resnick
外在獎勵短期刺激行為、長期殺死內在動機和創造力，所以 Scratch 刻意沒有任何點數和徽章系統。
Greg Toppo
紐約的 Quest to Learn 學校用 Boss Level 取代期末考，學生花一週設計、測試、修正自己的遊戲；另一間學校用 Classcraft 讓學生扮演戰士、法師、治療師，用經驗值獎勵回答問題和幫助同學。老師評價：學生前所未有地投入。

⟶ Resnick 的動機理論否定 vs Toppo 的學校田野正效應

失敗到底代表你還沒學會，還是你真的不夠好？

Carol Dweck
失敗不代表你笨，只是代表你還沒學會。成長心態影響了全世界的教育體系。
Jesper Juul
在遊戲裡，失敗確實代表你不夠好，而這正是遊戲有效的原因。我們在日常生活中避免失敗，在遊戲裡不斷經歷失敗，卻主動去找遊戲來玩。

⟶ Dweck 在學校場合對，Juul 在遊戲場合對，兩個不同場所的心理工具

成長心態實驗到底經不經得起複製？

Carol Dweck
成長心態理論的核心主張是失敗不代表你笨，只是代表你還沒學會，後來影響了全世界的教育體系。
愛丁堡大學
測試了超過 600 名學生，試圖複製 Dweck 最被引用的實驗，結果是不夠強也不夠穩定，只能算是統計假象。阿根廷和英國的測試也沒有效果。

⟶ Dweck 原始實驗 vs 多國複製失敗

小孩到底需不需要螢幕時間限制？

Jordan Shapiro
對 AAP 的時間限制直接開砲：維多利亞時代的思維，節制和禁慾。小孩對螢幕不算上癮，他把手機比成泰迪熊——過渡性客體，不是毒品。
Jordan Shapiro
在書裡大力批評螢幕恐慌，自己家的餐桌卻是禁止使用任何裝置的。他承認：晚餐不是我們家庭生活的中心。

⟶ Shapiro 公開立場 vs 自家實踐的內部矛盾

只是用 AI 做遊戲的人算不算真的理解技術？

James Paul Gee
把社會分成兩種人：laity 教眾被動消費技術但不理解它怎麼運作，和 priests 祭司掌握技術深層秘密的人。如果只是用 AI 做遊戲不去理解它怎麼運作，你永遠是教眾。
Jensen Huang
學程式語法正在變成學打字機——很快就不需要了，AI 幫你寫 code、幫你 debug、幫你部署。

⟶ Gee 警告教眾化風險，Huang 認為無需再學語法

每個矛盾都連回原文。完整的判斷過程、作者背景、為什麼選信哪一邊——都在文章裡。

回首頁看全部 30 篇文章