跳至正文
人文來風EP112

翻天覆地?生成式AI對數位人文教學的影響

校訂中

講者 鄧國亮、王宏甦2024-05-01 播出37 分鐘第十七季:數位探險家SoundOn 原音頁純文字

節目說明

2022年11月生成式AI正式進入大眾的日常生活,這波技術革新對人文學界帶來什麼樣翻天覆地的改變?本集節目邀請美國哈佛大學費正清中國研究中心項目經理鄧國亮與中國歷代人物傳記資料庫資深項目經理王宏甦分享他們的數位人文教學與研究經驗,並討論未來在教學策略上的調整,以及研究方向的部署。

【大綱標記】

01:12 翻天覆地的生成式AI

02:18 哈佛大學的教學經驗

19:28 未來挑戰與發展方向

22:19 人文學科的跨界合作

【講者介紹】

鄧國亮

哈佛大學費正清中國研究中心Digital China Initiative項目經理、東亞系講師

王宏甦

哈佛大學「中國歷代人物傳記資料庫」資深項目經理

【參考網站】

費正清中國研究中心Digital China Initiative

網址:https://sites.harvard.edu/digitalchina/

中國歷代人物傳記資料庫(CBDB)

網址:https://projects.iq.harvard.edu/chinesecbdb

GitHub: Generative AI for East Asian Studies

https://github.com/fccsdigitalchina/generative_ai_east_asian_studies

開場

鄧國亮

0:00歡迎收聽人文來風,這裡說書也說人。我是鄧國亮,哈佛大學費正清中國研究中心的經理。也是東亞系的講師。今天和我一起聊天的是中國歷代人物傳記資料庫的資深項目經理王宏甦先生。你好宏甦。

王宏甦

0:28你好國亮,我是王宏甦,是中國歷代人物傳記資料庫的資深項目經理。從2013年開始在這個項目工作,一直到現在。現在和國亮一起是哈佛DH這個community裡面的同事,一起來就是進行一些教學和訓練。

0:47今天很榮幸中央研究院文哲所讓我們有機會去分享一下我們對數位人文教學的想法。我去年暑假的時候參加了劉遠如老師的生成式AI工作坊,也認識了很多文哲所的數位人文項目,大開眼界。

鄧國亮

1:06那洪叔,我相信你和中研院的不同部門有更多不同的合作。

翻天覆地的生成式AI

鄧國亮

1:11我們今天要講的這個題目,我們稱之為翻天覆地,但是有一個問號,就是生成式AI對數位人文的教學的影響。我相信你會同意,就是2022年11月31號以後,我們的世界完全是翻天覆地的不一樣。那種不一樣是,並不是說那一天因為OpenAI開始正式讓公眾去註冊ChatGPT,所以我們突然有了很多新的科技。

1:45那些科技其實一直都在,有很多其實是不是說突然一天就到來的。到了ChatGPT出現的時候,之前已經有很多的版本,大型語言模型也是已經有好幾年的時候。但是我們當時已經很深刻地感受到有這樣子很不一樣的一個生活。現在過了差不多一年,我相信大家都已經看到ChatGPT,或者是更準確來講,生成是AI對大家生活帶來的不一樣。

哈佛大學的教學經驗

鄧國亮

2:18我跟你都有在哈佛教學,特別是會在數位人文的這一個範疇裡面,我們都有很多我們的培訓的課程,有不同的活動。記得我們在2022年的時候,暑假的時候我們舉辦過一次暑期工作坊,那個是兩週的時間。每天8個小時,每一天8個小時,上午4個小時,下午4個小時。我們當時也沒有想過,就是說兩週下來的時間比一個學期的一門課還要多。是的,很多人說就是想夢回到高中的時代,然後去考試的那個狀態。對,的確就是早上7點鐘已經要回到學校,然後開始上課的那種狀態。

3:03我們當時的教學的方法就是先從一些最基本的數位人文的概念,跟一些必須要知道的所謂的一個Digital Literacy的方向去出發。接下來當大家有了這些概念以後,我們就會深入到不同的範疇,包括GIS,社會網絡分析,還有一些API,如何建立資料庫,如何用不同的現有的工具,包括DocuSky,包括不同的Markus,或者是其他的一些,對,很重要,這個我們也花了很多時間。工作坊其實是每一年就有三個不同的學校輪流去舉辦。哈佛、北京大學,還有就是普林斯頓大學。今年會在普林斯頓大學舉行,明年又會回到我們身上。我想請問宏叔,假如我們明年還要再辦這個活動的話,我們還是會按照2022年的來教嗎?還是說我們會有別的想法?

王宏甦

4:08一定會不一樣,一定會不一樣。我會覺得就是現在去教和之前教會有很大的一個側重的不一樣。在之前我們基本不敢去教編程和不敢教模型。而這兩點在現在生成式AI和大學模型的發展之下,我們會非常熱情地去擁抱這些技術。因為它真的太方便,太能夠幫助我們去解決一些以前我們覺得一定要一個team來解決的問題。我在設想這樣的未來去開一個DH工作坊的一個前提之下,我會希望去訓練成一個什麼樣的或者具有什麼樣技術的或者具有什麼樣能力的這樣的人。

4:51站在我的角度,因為我做了就10年的項目經理,我會覺得就是會更傾向於把大家訓練成一個像項目經理,或者是像一個組織者有領導力,leadership這樣的一個人。因為現在在生成式AI和這些各種各樣模型的幫助之下,每一個人他其實就是有這樣的一個team。你會有人跟你去討論一個問題的設計,有人可以跟你去討論就是數據的架構,有人可以跟你一起去討論就是程式的編寫以及算法的設計,有人可能一起跟你去討論工程方面的整個的應用,而這些所謂的有人就是有模型,就是Large language model或者是這樣的generative AI,都能夠幫助你去做這些事情。甚至有模型能夠幫你去設計logo,去給你設計封面。

5:42你現在就是一個這樣的一個team的領導,然後你怎麼樣去和你的這樣的擁有非常強能力的這些,並且有非常多經驗的這樣的一些team的成員去互動,去建立一個項目,以及推進這個項目的發展。或者更想引入一個國亮一直特別感興趣的問題,就是以及決定這個項目要不要做。我會覺得就是決定什麼事情或者一個project,一個問題要不要做這件事情是我們可能想要去訓練,或者教大家用各種各樣方法去設計項目之前想要跟大家談的。就什麼可以開始,什麼也許不建議開始。所以國亮在這個問題上可能會有什麼樣的思考和經驗。

鄧國亮

6:28你提到就是我很想帶入的問題,因為這個也的確是我一直從去年八九月甚至到十一月的時候,我一直跟我的同事跟學生說我在這個時候上課是,既感到興奮又感到沮喪。I feel excited as well as frustrate。原因很簡單就是每一天你看到,特別是在去年十一月的時候,OpenAI有一個。他們可以每一天看到有很多新的工具,新的技術,你可以運用在數位人文的研究上面。

7:07但是同時,作為一個在教書的教學人員來講,會不停地問,我今天教的東西,學生要做的這些東西,到底我還需要教嗎?因為就是可能過了兩週以後,整個使用的方法完全就會不一樣。或者是我現在教他們一個工具,可能在兩週以後,他們完全不需要去懂,所有的UI一個介面的一個使用,完全就可以通過自然語言,就獲得同樣的效果。

7:41同時我也衍生了一個問題給我的學生,跟我的同事,後來也去到去年的臺灣的DADH上面,也問了很多臺灣的學者。這個問題就是說,我有一個項目,我現在要去做這個項目的話,兩年時間,但是我可以知道,兩年當我完成這個項目的時候,可能我只需要兩週時間,我就可以同樣完成這樣子。甚至可能一天,或者是更少。因為的確我們親身經歷的就是,我們有同事本來需要可能一個月完成的工作,變成了短短就是三個小時之內就完成。在這樣子的情況下,我們要做出如何的選擇。

8:26不同的人給我的答案是不一樣的。例如說,假如那位同仁剛好有一個死線在那裡,他一定要教某一樣東西,那肯定他就,例如說他的畢業論文,那他就一定要去做。但是,假如有一些同仁他是有很多的,需要接受訓練的同事,他們可能就會選擇去做。因為這個過程不單只是完成一個項目,而且還是一個訓練的過程。

8:55所以我覺得洪叔講的很對,這個其實也是我們需要重新去想。其實是要訓練一種眼界,或者是一個能力,可以去分辨什麼東西是可以做,什麼東西是不可以做。其實這個對於人文學者來講,我覺得完全不陌生。因為每一次選題,其實就是已經一種考驗,就是說這個題目能否成立。即使是非常傳統的人文的一幕,我們也需要這一個去想法。但是可能現在就會加入了很多科技的元素。

9:29那另外一個就是我很同意洪叔前面講到,就是說編程的問題。我有在哈佛教非常簡單的編程。對於很多背景訓練是人文學科的同學來講,其實最令他們感到沮喪的地方,是所謂的debug,就是除錯。他寫了一個東西出來,他預想這個程式會出現這樣的結果,但是往往一按下去以後,就是出現了那個 error。然後就會給你一串英文字,你每一個字都認識,但是放在一起,你就不知道是什麼的一個信息。

10:08很多時候這樣子,對於很多同學來講,以前的話,他們就是會花可能半個小時一個小時,沒有辦法解決那個問題,他們就會停下來,然後發一個電郵給我。你就是查GPD。有時候能幫他們去看,但是大部分時候就是沒有辦法,通過遠端去看很多的問題,只有他們來到我的辦公室。

10:31有了ChatGPT以後,這個過程就是方便了非常多,因為大家只需要把簡單的程式碼放進去,就可以看出來。那當然我們不是說這個是萬能的,我們也知道就是有很多遠近開發者,或者是非常有經驗的程序員,他們基本上還可以就是對於這種,輔助式的編程,會有一定的那個懷疑跟有他們的意見。那當然是我的角度是從一個我們是,就業餘的一個水平。而且我們要達到的目的,並不是說我們要縮短運算的時間,或者是我們要把優化算法的這一類的東西。我們純粹就是希望能達到我們手頭上可以做的東西。所以我覺得這個對於人文學科的訓練的學者,走入編程這個的確是非常是有用的。

王宏甦

11:26是的,而且我也在工作經歷裡面會發現,不同人和Large Language Model,或者是能夠生成Codes這樣的一些模型之間,他們之間的關係還挺不一樣。

11:40有些人會非常善於跟Large Language Model去交流,能夠把自己的問題很好的拆解出來。但是對於有些人來說,也許更傾向於學習一下系統的去學習編程,而不是去跟Large Language Model更多的互動。有些人能夠在一些error裡面,快速地找到那些對問題解決,最有幫助的那些error是什麼,然後把它用合適的方法問給ChatGPT,或者問給其他Large Language Model,但是有些人可能就直接把一段error扔進去。

12:13所以我會看到CBDB的項目,每年會有很多的訪問學者,每位訪問學者都會帶著自己的一個project,並且我也會去鼓勵他們,要求大家必須裝兩個東西,或者用兩個東西,第一個是ChatGPT,這裡我們也非常感謝哈佛設置了ChatGPT-4,這樣的一個免費的服務,來給學校的師生使用。另外的話是Copilot,這兩個服務,就是無論你會不會編程,先把它setup,在工作中去用它,真的看到不同的人,而且可能完全是零基礎的情況,他們在和ChatGPT或者和Copilot,互動的狀態是完全的不一樣。

12:51所以在這裡我們自己的工作,或者在training,或者在工作設計裡面,就會去跟他們不同的人來設計不同的方法。有些人可能會更好的,或者是更適合去用Large Language Model,去生成一些程式,來完成工作。有些我們會給他提供一些現成的工具,這些工具也許只要修修改改,滿足一些他的目標,在這些目標之間的話,他可能用作一些手動的工作。

13:21我們也會在這樣的一些互動和工作裡面,抽象出一些經驗,這些經驗包括:一開始和Large Language Model的對話,可能產生一個程式的架構,判斷有哪些是你給他一個需求,他就自動能夠生成一大段代碼,能夠跑或者去開始debug,然後有哪些問題是,你要把問題 break down到小的一些問題,然後你在這些小的問題裡面,去讓程式去生成這樣的解決小問題的程式,然後input/output,然後第一個解決問題的output,是第二個小的這個程式的input,然後不斷地去解決這樣的小問題。

13:57有些時候你以為是一個比較容易解決的問題,然後你可以用prompt生成一段代碼,但這個代碼裡面有一小段或者一兩小段,特別特別的複雜。那麼在這裡的話也有一些經驗,比如說他可以單獨對於這段代碼,就是我們會至少告訴他們什麼是function,或者寫一段function,或者是單獨去跟ChatGPT,或者是各種large language model進行對話,讓他生成這一段的代碼。那麼有些我們需要上手去幫他們去寫一些關鍵的代碼。

14:27所以我會覺得在我們的經驗裡面,就是如何去和large language model溝通,然後去設計算法去解決問題,可能會是我們未來要去教和去讓大家去積累經驗的一個重要的方向。

鄧國亮

14:43從你剛才講述你的經驗的過程之中,我其實有兩點很深的感受。第一個就是因為這些大型語言模型,我們就是可以讓很多本來沒有接受編程的學者跟同學去接觸編程。

15:03接觸編程的這個過程其實,除了說我們掌握了用一個編程語言去達到一個事情的過程以外,其實中間還有學到了一些可能人文學者沒有學到過的東西。例如,你剛才講到把一個大的問題拆細,拆細以後再每一個去解決。這個是很經典的Divide and Conquer的一個過程。很多在編程裡面就會看得到有這些,特別是我在哪裡需要寫一個function,那個function要解決什麼的問題?我是需要一個方便去解決兩個問題還是說,一個方便只是解決一個問題。有時候可能我在今年學了編程以後,我十年以後沒有再用過。那十年以後可能就忘記了。但是我覺得編程或者是這一類解決問題的這種經驗,可能是可以放回到很多人文學科的研究裡面去。這個是第一個。

16:04第二個是,剛才你有講到就是說,還是回歸到一個很本源的問題。那現在我要學什麼呢?對不對?你剛才提到,有些人就會把整個error code放進去,然後讓他讀。但是有一些就會先把它拆分出來,然後看到其實最接近的是哪裡。這個裡面其實已經牽涉到一個問題就是說,大家會不會讀最基本要學的東西是在哪裡?

16:32在編程上面,怎麼樣去做一個Variable,變數或者是變量。然後怎麼樣去做一個function,然後怎麼樣讀得懂,從一個function去call另外一個function。還有最簡單的數據的類型。對,data structure跟data type到底是什麼?為什麼我做一個list可以用這些方法?可以用這些method?但是當我是一個string的時候,有一些method我就沒有辦法去用。這些是最基本的。

17:00然後另外可能累積上去就是,例如說我現在覺得有一個可能以前,大家不是太覺得有數位人文,覺得有特別大的一個用處的東西,就是API。因為我們現在可以看得到,包括ChatGPT,它自己的那個GPT,就是那個小的自己做的GPT,它其實最強大的力量就是它可以通過call API,去達到其他的目的。同樣Microsoft最新的那個,其實也是用類似的辦法去跟整個外面世界的其他服務連結起來。

17:40人文學者可能就是以前就會覺得說,這個可能都是沒有,立刻可以對他們的項目有一個很大的回歸的作用。但是假如你放長遠去看的話,其實等於你可以通過大型語言模型,幫你去連接到不同的其他的服務,串起來以後就可能可以做的事情就會比較多。

18:04還有一個就是,因為大型語言模型,大家現在都基本上就是用幾個大的嘛,就是ChatGPT,然後剛才你有提到Copilot,我相信你提到的是在Github裡面的Copilot,因為現在Microsoft把事情搞得很混,就是他們有自己的Copilot,也有Copilot Pro,也有Copilot365,然後還有Github上面的Copilot,所有都叫Copilot,他們也是一個大宗,那就是還有Google的,現在還叫,但是他們有自己的模型。

18:38可能在歐美國家來講,他們都很注重隱私問題跟安全的問題,例如說哈佛,我們就會有自己的一個AI的Sandbox,希望就是大家當需要把一些覺得需要保密,或者是不希望大公司拿來做他們的訓練的一些資料,就是通過Sandbox去用。我自己的看法是長遠的話,基本上一定是我們稱之為Local Deployment,整個模型可能就是在我們的機器上面。對,基本上連所有的連接上網都不需要。這個也是我上課,這個學期的課其中一個很重要的重點,希望大家能懂得怎樣去用很多可以在本機進行的一個模型。

未來挑戰與發展方向

鄧國亮

19:27除了這個方面以外,洪叔你還覺得未來可能會出現的發展會有什麼呢?

王宏甦

19:36我會覺得未來的話,首先就是聽者可能會覺得這個和訓練或者教學的關係是不是沒有那麼緊。反而我們會說這個非常重要,因為所有的學校就可能都會涉及到這樣的一個問題。我們現在看到的是學校為我們來部署了一個學校內部的這樣的一個Sandbox,因為我們自己也會去教學生或者是教我們的同事去用一些本地的這樣的一個Large Language Model,然後去解決一些問題。

20:05我會非常非常期待未來本地知識庫或者是RAG這樣的一個技術的一個發展,因為這樣的技術就不僅是你有Large Language Model,並且你會有一個Local Knowledge。這樣的Local Knowledge,以前的話也許我們還要去fine-tune,還要去寫一些prompt去訓練它。

20:25如果就是現在的這樣的一個Local Knowledge發展的足夠好,其實我們可以看到現在有幾個比較成熟的產品或者比較成熟的這樣的方案。第一個是,然後GPTS的話你可以自己上傳一段文本,然後把這樣的文本作為一個Local Knowledge。你不需要去告訴GPT知識什麼,不需要告訴他你應該怎麼去學,他自己就會開始去做embedding,去學裡面的知識,然後把它和ChatGPT本身的模型放在一起去給你回答一些問題。

20:54這個方案對我們來說其實非常非常方便,甚至我們有時候會直接上傳一堆data,然後讓它去extract,然後把數據成P成P的就是導出出來。它就是一個界面,不需要寫任何程式。

21:06這樣的話對人文學者非常非常友好,但是它其實也有問題,這個的話如果我們就是真談的話,可能一個小時都談不起來,之前也和我聊過之前我做的一些試驗。有些任務真的做得很好,有些任務可能不是特別的理想。

21:22然後另外的話就是像local large language model的RAG,會有一些python的包,或者說會有一些工具能夠讓你去上傳你自己的知識庫,或者是把知識庫上傳到一個網站上,然後讓你 large language model去讀,就是這樣的一些工具也會有。但是相比GPT的話,我自己實驗下來它們不是那麼好,但無論如何的話我們會相信,因為GPT它的發展,它的這個參數的增加是成級數的。我們看到就是3.5的時代已經讓我wow了一下,然後4的時代就又讓我wow了一下。對我來說我還是蠻期待,就是下面一個版本的GPT能夠給我們帶來一些什麼樣的驚喜,或者其他的方面。

22:02另外的話我自己會比較有信心,就是它在處理local knowledge這方面的能力會越來越強,並且也越來越不需要我們fine-tune a model,或者是從零開始去tune a model,那麼這其實可能會引入我們之前討論過另外一個話題,就是我們可能DH的課程或者是這樣的訓練,讓學生讓他們成為一個什麼樣的角色。

人文學科的跨界合作

王宏甦

22:27這個也是我們很多同事聊過,就是讓他們成為一個用戶,還是讓他們成為一個創造者。那麼這個問題國亮是怎麼看的?

鄧國亮

22:36我沒有一個真的好的答案,因為我從一個20年30年去使用電腦的一個經驗來講,我覺得很多東西可能到了最後我們一開始是需要學的,但是到了某一個時間就發現好像很多東西你不需要學,例如說蘋果開始有iPhone以後。我相信很多人沒有特意去學那個介面是怎麼樣去使用的,但是他們就會慢慢就可以懂得怎麼樣去使用。

23:08但是假如把這個事情放回到2003年或者是更早之前,其實我們那個時候已經有一些手持的Handheld device,我們會稱之為例如HP,他們就有很多的要用一支小筆在上面寫寫寫,或者是Palm,對,所有那一類的工具我們都需要花一點時間進去學,無論是你有多專業你都需要一點時間去學,但是慢慢所有這些工具你發現到了某一個點上面,它可以設計到很直觀的,你不需要再去學它。

23:42所以我沒有一個很好的答案去說,我們是要訓練一些工具的使用者,還是說我們要開發者。但是我很同意你剛才講到RAG的問題,那我覺得可能有一些聽眾是完全對這個RAG是什麼,是有點模糊的,我可能需要解釋一下。那RAG全稱就是那個Retrieval Augmented Generation。

24:04簡單來講就是,假如大家現在用簡單的ChatGPT,沒有那個上傳文件的功能。即使你可以想像就是所有東西回答給你的,其實都是從大型語言模型裡面產生出來的。那而且它是通過一個就是生成的過程,就並不是說它好像說我們以前用Google去search某些東西,然後再回應給你。

24:31RAG簡單來講的一個概念就是,你會有一個知識庫,那個知識庫可以是一堆的文件,或者是可以是文件可以變成是我們所謂的一個,Vector database,就是把文件變成是一個Vector,然後當使用者需要去問一些問題的時候,這個問題就會到文件那個Knowledge base裡面,把跟這個問題最相關的那些文件提取出來,然後再把問題跟這個提取出來的給大型語言模型,然後他再根據這些提取出來的文件去產生一個答案。

25:11這個其實是對於人文學者來講是最為有用的,相對於一個完全是沒有任何Knowledge base,沒有任何知識庫的一個生成,這個是最有用的,因為第一,這個是有依據,對於人文學者來講是非常重要,而且很多的那個RAG的package,就是那種程式包,他們都可以直接提供就是說我這個回答是根據哪一個檔案,甚至哪一頁,假如你給他一個PDF,他可以給你很清楚哪一頁,甚至你可以通過就是interface的介面的辦法把那個highlight起來也可以,所以這個是對人文學者是一個非常有用的。

25:55那剛才洪書也有提到另外一個觀念,就是所謂的fine tuning,就微調的觀念,那個是訓練一些我們給大型語言模型,先給一些我們的訓練的題材,包括就是我們給一個問題,然後給一個我們預想,他要給我們的答案,可能就是給五百個問題,五百個答案,給他通過一個訓練的過程,他就知道,哦,原來你想要我給你的是這種東西,他就可以按照我們希望他給予我們的東西,來提供他的答案,正如洪書剛才講到,例如我們要提取資料的時候,其實這個是一個很好的辦法,因為我們可能就是做了五百個提取的樣本,然後就讓他接收,然後我們再給他可能一萬個我們沒有做的樣本,那他可能就可以很快的做出來,這兩個都是可能對未來人文學科帶來一個很大的一個改變的一些東西,洪書問我說我們是要訓練開發者。

26:56開發者還是使用者,這個其實是一個蠻大的難題,因為同時假如你要做的那個工具是需要微調某一些東西的,暫時我會說,還沒有任何微調的工具是可以直觀到我完全不會編程,沒有辦法,那個沒有辦法,而且你還需要大概要知道一些,例如說,Fine tuning這個過程需要用到比較高的運算能力,可能還需要有一些就是,GPU,一類的東西的知識。RAG的話,RAG的話,那可能反而比較簡單,因為,剛才我們提到ChatGPT的GPT,某程度上就是一個RAG的一個做法,可能那個還可以就是有設計出比較好的使用介面,也是回歸到我們一開始的,到底要學什麼跟教什麼。

27:50我記得我們去年也有一個就是CBTP的工作坊,工作坊的最後的時候,包弼德教授,Peter Bol,他就提出了一個很有趣的一個比喻。他就說,以前要用這些數位人文的工具,就好像是要等於開一輛18個輪子的大卡車。你要開一輛18個輪子的大卡車,你是需要去學的。某程度上我們算是那些教人開卡車的老師。忽然有一天,Tesla他開發了新的大卡車,完全是可以自動上路,完全不需要人操控的。反過來就,我們這些教人開卡車的老師,是不是就是立刻沒有用途呢?或者是沒有需要我們的地方。另外一方面就是,是不是所有人都可以開卡車?

28:51所以這個就是,也回歸到就是人文學者,或者是數位人文這個範疇,我們是需要一個怎麼樣的視野,或者是我們是需要一個什麼樣的觀念去想,是不是說我們就是用一個division of labor,就是分工合作的,人文學科的學者只是管人文學科,所有技術上面的東西我們就請理工科或者是工程師來做,還是說其實大家都需要有各自的對方的了解?

王宏甦

29:26同意,這也是我們在訓練的探索裡面經常會碰到。然後回到剛才那個大卡車的這個問題,以及我們到底要教什麼這個問題的話,有一個重要點就是學習能力,是我們一定要去教對於DH感興趣的一些信任,一個重要的能力,技術一直在發展。然後你教的東西有可能明年它就有更好的解決方法,教能怎麼去學習或者是怎麼樣去知道最新的一些變化,最新的模型,那麼這可能是一個很重要的一個方向。

30:00這可能是一個很重要的方向,另外的話,我覺得我們不會實現,因為我們教的東西還蠻特別的,因為我們是教學習的能力這件事情,其實假如說是一個大卡車司機的話,我們可以去參加特斯拉他們的算法團隊,去參加他們的算法團隊,設計這樣的一個算法,本來從教人變成了教模型,然後我們會有很多的經驗,這也是我要說的,人文訓練不能夠被機器所替代,人文訓練一定一定是基礎,他們之間是有一個重要的邊界,然後這個邊界不是不能突破的,而這個邊界就回到剛才的問題,就是說我們會希望所有在學DH的,無論是同事還是同學,如果是人文背景的話,他們需要去掌握使用工具的能力,如果做DH訓練或者教DH課的話,起碼他們需要是一個工具的使用者,這是起碼的,我可以沒有力氣,但是我需要會用扳手去辦一個東西。

31:00如果是技術背景的話,我們也會希望他能夠掌握最基本的,或者是對他們進行基本的人文訓練,並且我們最近正在做這方面的嘗試,而且這方面嘗試還不錯,比如說我們就會去真的去徵求一些非常傳統,比如說做明代制度史的一些老師和同學,如果是我們想要去訓練一些information science的同學,能夠獲得一些基本的知識來去解決一些比如制度史的問題,至少還是回答那一點,就是怎麼樣讓他們能夠用工具,使用工具,使用工具書去解決問題,然後第二點就是知道他們不知道的東西,這點很重要,而不是瞎說,就認為這不是一個問題,讓他們知道什麼是一個問題,這樣的訓練是很重要,於是那些老師和同學問我們大概開了幾本一讀的書,開了幾本重要的參考書,這些也是讓人文學者給非人文學者提供工具的一個探索。

31:57回到剛才的問題,我會覺得或者我們的訓練的這樣的一個經驗是,教大家無論是人文學者還是非人文學者去使用工具,去理解對方,非人文學者理解他要研究的人文領域的問題,人文學者也知道非人文學者的一些基本的概念,或者是基本的工具的使用,並且能夠使用他獨立地去解決一些問題。

32:21大家有一些共同的知識或者共同的理解的基礎之上,在這個基礎之上來進行合作。這個事情會有兩點我想非常非常強調,第一點就是你教同樣的東西,不同的人所學到的可能會千差萬別,這並不是說這個人學了30%,那個人學了40%,而是說這個人有可能學,他不是一個封閉的就是學了百分之多少,他是一個開放的,每個人都可能都會學到一些你自己都始料未及的一些東西。當然這些有些是積極的,有些是消極的,然後這是一方面,他們在有自己的學習,或自己學到這些能力的基礎之上的合作,一定不是一個大家都向工業化產品生產出來的兩個產品放在一起,是duplicate一樣。這是我們一直想的,人文的樂趣和人的價值。

33:12第二的話,是一個人文方面背景的同學,即使他能夠很好的去使用工具,但是一個非人文方面的學者他能夠看到的,或者是一個計算機背景的學者他能看到,他能做的事情一定是跟人文學者不一樣。同樣人文學者能夠看到的,能夠解決的事情,跟不同專業背景看到的東西不一樣。那麼在大家有同樣的一個base的一個情況之下去合作,這是能夠消弭兩者,就是我們一直想避免這樣的一個問題。

33:40而且這個問題是我們之前真的遇到過很多次,我管我,你管你的。然後兩邊的結合部,就是交叉在人文和非人文這兩塊的,中間這塊的,無論是數據還是知識,就會變成一個非常非常薄弱的一個地帶。然後這個地帶有可能帶來一些壞的結果,比如說一篇文章寫的非常非常的拼合感。人文學者寫人文的,非人文學者寫非人文的,然後拼合成一篇文章,然後兩邊看上去都還不錯,然後中間就是他到底是什麼呢,就誰都不好說。所以就是在這種情況下的話,我們會希望就是大家能夠去彌合這樣的一個邊界,或者是這樣的一個結合部的這樣的一個狀態。能夠讓兩邊的人都知道對方在做什麼,都能夠contribute到對方關注的問題,並且是一個學術問題。

34:26所以就是我們的經驗,或者是我自己的一個小經驗,就是第一,訓練大家都能夠使用工具,然後第二,非常非常看重,在學會這些工具之後,大家之前的訓練,已經每個人學到的不同的東西。

鄧國亮

34:40剛才洪書講到的每一個人文學者的不一樣,我就講到我上課的時候經常會去講,人文學者每一個都是一個方法,都是一個函數。但是每一個函數都是不可複製的,都是不一樣的,所以每一個函數給同樣的input,出來的output都不一樣的。而且這個還需要加上一個time的一個element,就是說這個函數可能十年前跟十年後也是不一樣。

35:12你第二個點提到的就是橫體線我剛才講到加上時間的部分,就是我在讀本科的時候,我的所有的訓練都是歷史的訓練和碩士、博士的學位都是歷史的學位。我在讀本科的時候,我會覺得科技整合就是一個不可能實現的或者是不實在的東西。但是二十多年過去以後,我今天會在這裡重新去問自己這個問題的話,我會說,其實在當代已經沒有辦法不去科技整合。

35:48因為你所有的科目其實本來就應該是共同的。要做到這個其實是越來越難,因為每一個科目的發展已經到達了一個就是我們人老不可能再學得來的那個階段。我們可以絕對從我們的博士論文就可以知道這一點。我們看看我們現在的博士論文的題目的那種精細度跟以前的話,不是說以前的人比較厲害或者是我們現在比較弱,而是說那個知識的量已經是完全超越了一個人他可以運載的量。我不知道這個可不可以作為我們今天暫時的一個總結就是說,生成是AI可能就是會要去幫我們去解決的其中一個問題就是怎麼樣可以把我們沒有辦法再用以前的讀或者是理解。我們已經沒有那個時間去吞吐那個量,但是通過生成是AI或者是新的這些科技去達到另外一個效果跟另外一個目的。

36:57很謝謝各位的收聽。

36:59謝謝大家收聽。如果喜歡我們的分享,邀請你按下訂閱、支持。如果你對節目有任何想法,請Email到聽眾信箱與我們交流。下次再見。下次再見。感谢您的观看。

本集條目

包弼德、AutoGen、Bard、Dev Day、Digital China Initiative、GPTS、LoGaRT

0:00/37:13