在人類文明演進中，財富形態不斷轉換，從工業革命支撐生產的鋼鐵與石油，到資訊時代創造價值的數據，再到今日人工智慧時代逐漸成為關鍵資源的算力與算法。隨著高階運算能力在部分領域集中於少數組織，社會不平等呈現新的結構樣貌。在此背景下，安德魯．卡內基（Andrew Carnegie）於19世紀留下的精神遺產，為當代提供一條值得參照的思考路徑。這段故事始於1850年代的匹茲堡。當時的卡內基仍是一名薪資微薄的蘇格蘭移民少年，在電報公司從事基層工作。安德森（James Anderson）上校身為退休軍官，選擇每週六向勤奮的年輕工人開放私人藏書。對卡內基而言，這間擁有約400本書籍的書房不是金錢救助，而是一扇通往知識世界的入口。這段被他人分享資源的經驗，深刻影響他日後對財富意義的理解。一九〇一年，卡內基將鋼鐵事業出售給約翰．皮爾龐特．摩根（John Pierpont Morgan），累積驚人財富。事實上，他早在一八八九年發表《財富的福音》（The Gospel of Wealth）時，便已明確提出富有地死去是可恥的信念。在生命最後20年裡，他將絕大部分財富轉化為公共資產，資助興建超過2,500座圖書館，使後來的孩子不必仰賴私人恩惠，也能接近知識。進入現代，科技公司確實提前所未有的工具，但多數人工智慧服務仍存在資源與功能上的限制。一般使用者能動用的運算能力，在模型規模與訓練深度上，仍遠不及頂級研究機構與大型企業。超級運算中心與先進晶片等關鍵資源，依然高度集中於少數組織之中。因此，如何讓算力逐步具備公共性，成為值得嚴肅討論的議題。若掌握關鍵資源的決策者能效法卡內基與安德森上校的精神，將部分高階算力視為公共基礎設施，而非僅作為競爭資產，人工智慧的發展方向或許會出現不同的可能。這並不意味企業必須放棄既有商業模式，而是在現行體系之外，為學界與創作者保留可被合理使用的公共通道。近年來，已有企業開始以試行計畫的形式探索這類方向。例如緯創推動的算力捐贈方案，嘗試將高階運算資源提供給部分新創團隊與學研機構，用於大語言模型訓練與微調、模型推論與部署，以及虛擬環境模擬等應用，讓原本受限於資源的團隊得以進行實質研究。這類嘗試呼應安德森上校開放書房的精神，只是媒介由書籍轉變為運算能力。在這樣的構想下，算力中心應如同當年的書房。這種分享並非單向施予。卡內基當年要求社區承擔圖書館的維護責任，是為了確保公共資源能被負責地使用。放在人工智慧時代，這意味著使用者與社群必須參與治理與監督，使技術回應實際需求，而非僅服務於少數目標。實現算力公共化勢必面臨成本與管理上的挑戰，但透過公私合作與跨領域協調，仍有可能逐步推進。當企業願意分享部分資源，而學術與公共機構能有效管理，一個更具包容性的創新環境便有機會成形。出身資源匱乏地區的年輕人，將不再因門檻而被排除在創新之外，原本可能加劇不平等的技術集中，也能轉化為推動文明進化的力量。最終，真正的財富不在於擁有多少伺服器或晶片，而在於為他人打開多少通往智慧的入口。若算力能逐步成為如同道路與電力般的公共資源，機會的流動性便得以維持。那份源自19世紀少年在安德森書房裡感受到的希望，也能在今日的數據流動中，持續轉化為改變命運的可能性。

民主允許人民擁有政治自由和言論自由，提供人們尋求真相的機制和教育，可以揭開當前或歷史事件背後扭曲、歪曲、意識形態和階級利益的面紗下隱藏的真相。因此，享有的獨特「智識」特權，知識份子的責任深遠。語言學家和哲學家杭士基（Avram Noam Chomsky）指出：「知識份子有責任講真話，揭露謊言。」這句話強調具有知識和理解力的人士在倫理上有責任傳播準確的信息，並揭露虛假。今日，人工智慧（AI）成為一種強大的工具，與這種責任相契合，它提供了前所未有的能力，既能揭露又能對抗錯誤信息。AI在驗證信息和檢測虛假方面有其威力。人類利用機器學習算法，可以分析大量數據，將主張與已確立的事實交叉參照，以驗證其準確性，提供超出人類能力範圍的洞察。例如，Facebook和X等平台使用AI來檢測和標記虛假信息。AI能夠迅速揭穿在社交媒體和其他平台上流傳的虛假主張，有效遏制錯誤信息的傳播。AI在對抗Deepfake（使用AI創建的高度逼真但虛假的音頻和影片內容）方面也發揮重要作用。先進的AI模型通過分析人類無法察覺的微小不一致性來檢測Deepfake，保持信息的完整性，防止操縱內容的傳播。例如，微軟（Microsoft）開發的Video Authenticator工具能夠分析視訊中畫素的細微變化，檢測出Deepfake，從而維護信息的真實性。隨著生成式AI的快速進步，單純的偵測已成為一場永無止境的競賽。為此，微軟等業界領導者已將策略從被動偵測，升級為主動建立信任的「來源證明」（Provenance）架構。他們共同發起「內容來源與真實性聯盟」（C2PA），並推動「內容憑證」（Content Credentials）技術標準。這個標準如同數位內容的「營養標籤」，可以在檔案中嵌入其來源、作者及編輯歷史，讓使用者能輕鬆查驗資訊的真實性。今日大語言模型（LLM）的聊天應用貪婪地吞噬巨量的數據，在對話中找到最合理的答案，或是在科學問題中找到最有可能的解答。杭士基認為LLM「基本上是一種比較高科技的剽竊」和「逃避學習的方式」。人類的心智不像LLM，而是一個更驚人、有效率又優雅的系統，僅用有限的資訊就能運作。它不會試圖從數據中找出關聯性，而是努力創造解釋，分辨是非。要達到杭士基的理想，AI應該朝說真話和揭露謊言方面整合，賦予深遠的社會意義。AI應增強知識份子有效履行職責的能力，確保準確信息在公共領域中傳播。隨著AI的不斷進化，它在保持信息完整性方面的角色將變得日益重要。特別是在政治選舉和公共衛生等關鍵領域，AI可以幫助確保信息的透明和準確，保護民主進程和公共利益。然而，使用AI尋求真相，開發人員必須確保AI系統的公正透明，避免傳播虛假信息或不公正的結果。例如，AI算法在訓練數據上的偏見可能導致不公平的結果，必須有嚴格的審查和調整。我們必須設置監管架構來監督AI在信息傳播中的使用，平衡其潛在的好處與倫理考慮。社會必須對AI的潛在濫用保持警惕。技術人員、倫理學家和政策制定者之間必須持續的對話，負責任地使用AI，創造一個真理繁榮且虛假最小化的環境。因此，未來的發展需以品德教育為首，確保AI服務於真理和正義，達成杭士基對知識份子責任的願景。

8年前，我在國立陽明交通大學設立一個智慧房間，並在暑期國小營隊中以「小仙女」的故事引導學童。我告訴孩子：「妳對著桌上的蘋果輕吹一口仙氣，奇妙的事就會發生。」當孩子們一吹氣，窗戶隨即自動打開，她們驚喜得咯咯直笑。我們還設計鬼屋遊戲，遠端操控房內的物聯網設備，例如「魔鏡」，讓孩子們在驚嚇與好奇之間盡情探索。我以這智慧房間發表了學術論文〈HouseTalk〉。但在學術語言裡，不能寫「小仙女吹氣」，只能嚴謹地描述：「我們將二氧化碳感測器置入3D列印的蘋果中，當室內人員呼出過量二氧化碳時，窗戶會自動開啟，以促進空氣流通並改善空氣品質。」論文充滿AI演算法與系統架構的細節，但我真正想表達的，其實是那份「小仙女吹氣」的想像。靈感源於我童年時看過的影集《神仙家庭》（Bewitched），由Elizabeth Montgomery主演。劇中女主角莎曼珊只要輕晃鼻子，魔法便應聲而起。我當年一再模仿，鼻子卻文風不動，只能讓耳朵晃動。《神仙家庭》的魔法，是物聯網與AI創意應用的早期想像。莎曼珊的每個手勢都能控制環境，她的魔法如同感測器與語音指令的雛型。她晃鼻子便能重整空間、召喚物品，這些1960年代看似荒誕的情節，如今已透過AI與自動化技術逐步實現。劇中對「人神婚姻」的描繪，也預示AI時代人機關係。莎曼珊與凡人達倫的結合，象徵魔法世界與人類世界的融合，如同現今AI與人類的共生。劇中女巫「偽裝正常」的焦慮，正對應現代人面對AI時的矛盾：既依賴其便利，又害怕其不可測。我們是否也像達倫一樣，既渴望魔法，又不安於它的力量？從文化角度看，《神仙家庭》教我們如何將技術融入日常生活。莎曼珊的魔法不是冰冷的功能展示，而是富含情感的生活智慧：在派對前整理房間、為客人準備驚喜、解決鄰里紛爭。這種「情境化智能」正是現今AI產品最缺乏的特質。若台灣科技產業能在研發中注入這種人文溫度，將能創造出更具情感共鳴的智能產品。《神仙家庭》同時提醒我們技術倫理的重要。劇中反覆思考「何時使用魔法」，對應當今AI時代的「何時啟用自動化」。莎曼珊寧可用雙手完成家務，只在必要時施展魔法的節制，正啟示我們應如何避免過度依賴科技。AI發展正處於關鍵轉折點，我們需要精密的演算法，更需要如《神仙家庭》般的想像力。台灣作為科技島，若能結合文化創意與人文視野，必能在AI時代開創出新的方向。我們需要能理解「小仙女吹氣」詩意的工程師，也需要能將感測器化為魔法蘋果的設計師。在AI時代，我們不缺技術，而是缺乏想像。那份想像其實早已存在，一如《神仙家庭》中的魔法。

17世紀的法國思想家勒內·笛卡爾（René Descartes），不僅以「我思故我在」為現代哲學奠基，也以《幾何學》（La Géométrie, 1637）開創解析幾何，首次將幾何圖形與代數方程結合，發明今日熟知的笛卡爾座標系。此一突破不僅改變數學問題解法，更為微積分與現代人工智慧（AI）提供核心基礎。笛卡爾認為，平面上的每一點皆可用x與y座標表示，而曲線則可轉化為變數方程式。這使得幾何問題能用代數操作處理，例如圓的方程式 x2+y2=r2x^2 + y^2 = r^2x2+y2=r2。這種將抽象空間數學化的思維，與現今AI模型的建構如出一轍。在AI領域，所有輸入的影像、語音、文字資料都需轉為向量座標表示。影像為像素的RGB值集合，語音轉為頻譜，文字則嵌入高維語意空間。這些數據處理方法，正延續解析幾何「將現實投射於數學空間」的思維。神經網路與支持向量機等模型，會在多維空間中尋找最佳超平面來分類資料。深度學習訓練仰賴梯度下降法，透過多維導數找出使誤差函數最小化的方向，步步逼近最優解。此過程需用鏈式法則計算各層參數對結果的影響，亦即微積分中的複合函數求導。而這些演算法運作的數學場域，正建立於笛卡爾所創的座標系之上。進一步來說，像Word2Vec或BERT這類自然語言處理技術，將詞彙轉化為稠密向量，使語意相近的字詞在向量空間中相互靠近，這種「語意即距離」的嵌入技術，也可視為解析幾何的延伸。電腦視覺中的卷積神經網路（CNN），透過多層特徵提取，從像素空間轉換到形狀與語義空間，展現出「座標轉換以理解現實」的深層結構。從AlphaGo到GPT-4，AI系統不斷在函數空間中尋找最佳解。這些空間的數學結構源自笛卡爾當年奠定的幾何與代數統一。笛卡爾的哲學關注「心靈」與「機器」的界線，他認為動物如機械般運作，而人有思考的靈魂。今日AI雖能模擬語言與視覺，但是否真正「理解」仍是哲學難題。從數學化思維到理性工具，笛卡爾提供一把通往AI時代的鑰匙，卻也提醒我們，智慧不只是算法，更是對思維本質的深刻省思。

我過去創作插畫，必須親手完成所有細節。有了AI，只需勾勒輪廓，它便能自動補全。起初它常誤解原意，畫面失去神韻，例如我畫的Julie Andrews白描稿在AI生成後嚴重走樣。但經多次訓練，它逐漸掌握我的風格，這讓我驚覺：AI是否正從助手邁向取代插畫家？數位時代的商業插畫、遊戲設計與小說封面皆採主畫家與助手分工：前者掌構圖與人物，後者負責上色與背景。AI正改寫這一模式。它能生成完整場景與統一風格的角色，甚至依文字指令完成整幅作品。於是問題浮現：當AI成為主要執行者，作品還能稱為「插畫家的創作」嗎？傳統分工清晰，例如日本工作室由主畫家定構圖神韻，助手執行上色修飾。AI的價值，在於接手重複性高的技術任務。Midjourney、Stable Diffusion與DALL·E等工具能精準模擬筆觸與光影。插畫家輸入草圖或文字描述，AI即可快速生成背景與配色。有畫家稱它是「永不疲倦的助手」，能即時測試多種風格方案。然而，當AI能力逼近人類，界線日益模糊。若AI負責大部分視覺產出，插畫家是否仍為創作者？法律上，只要人類給予明確指令並審核成果，仍屬人類作品；但在倫理與感知上，觀眾已難分辨「人筆」與「機筆」，藝術家的獨特風格也可能被壓縮成演算法模板。插畫家如我者，選擇與AI共生，把繁瑣細節交予AI，自己專注於構圖與概念。例如先手繪草稿，再指令AI生成多種背景方案取其佳者；或在AI生成的服飾光影上再創作，注入筆觸的溫度。這種「AI助筆」模式維持藝術主導權，也提升創作效率。相對地，全由AI生成的插畫雖快速完美，卻缺乏人性的意圖與情感。AI能複製「美」的形式，卻無法體會創作的動機。正如攝影未取代繪畫，AI亦難取代插畫家，但它將重新定義插畫，使創作者更像「導演」，專注於構想與審核，而非執筆描繪。這股轉變正重塑教育與產業。傳統插畫訓練強調技藝，如今學院課程已納入AI繪圖，重點轉向提示設計與風格管理。未來插畫家或將成為「視覺策劃」或「美術監製」，其專業核心不在技術，而在圖像敘事與文化感知。我如此禱告，AI或許能取代插畫助手，卻難取代插畫家。真正的創作超越圖像輸出，重點在於觀點與情感。AI能模仿風格，卻不懂其精神。當人類視AI為協作夥伴而非敵手，插畫藝術將邁入新紀元：從筆尖延伸至演算法，從勞動密集轉向創意驅動。最終，AI取代的不是插畫家，而是耗損創作熱情的重複勞務。人類插畫家的價值，仍在於以想像構築世界，並以情感賦予畫面靈魂。我如此期盼。

在AI快速發展的數位時代，我們常談演算法、效率與算力，但真正決定AI能否成為「擴增能力」工具的關鍵，不是技術本身，而是人類是否具備想像力。想像力，讓我們敢於提出不同的問題。當孩子仰望夜空，問：「為什麼月亮會跟著我走？」多數大人會回答光線與距離的原理。雖然正確，卻抹去問題背後的驚奇。若改說「因為月亮想陪你回家」，孩子的笑聲才是最有創意的理解。這種回答不是科學事實，而是一種想像練習，提醒我們在理解真實之餘，也別失去感受世界的方式。吉卜林（Joseph Rudyard Kipling）在《就是這樣的故事》（Just So Stories, 1902）也以此方式回應「為什麼」。〈駱駝怎麼長駝峰〉、〈小象怎麼得到長鼻子〉、〈豹怎麼有了斑點〉，這些故事並非科學解釋，而是透過荒誕的情節創造新的「真實」。重複與韻律讓故事像咒語般朗朗上口，而親密的語調則讓它成為親子之間的共享語言。它們不是說教，而是透過幽默與幻想，培養孩子的好奇與創造。這正提醒我們：想像並不是錯誤資訊，而是與真實並行的另一種創造能量。這樣的思維正是我們在AI時代所需。AI能生成文字、影像、方案，但若缺乏人類的想像力，它不過是冷冰冰的輸入輸出。只有當我們以孩童般的好奇來提問，並以創意去引導，AI才會展現真正的擴增效能。重要的是，我們必須分辨：AI有時生成虛構或錯誤（所謂「幻覺」），這些並非可靠資訊，但若經由我們的判斷與引導，這些虛構元素也能成為啟發新想法的原材料。AI可以提供「是什麼」的答案，但「為什麼」與「如果不一樣呢」仍須人類來追問。就像吉卜林的故事，它們延續人類自古以來用神話解釋世界的傳統。AI今日同樣能生成新故事、新情境，但要轉化為啟發與價值，仍取決於我們的想像與判斷力。因此，在AI數位時代，想像力不是奢侈的附加品，而是核心能力。科學說明規律，AI延展邊界，而想像力則確保我們不會在效率中迷失。當我們勇於像孩子般問出「月亮為什麼跟著我」時，AI才能真正陪伴我們，開啟新的旅程。不是因為它替代真實，而是因為我們用想像力為它注入新的可能。

我所專注的電信系統評估，需要調整多個參數，往往得畫出數百張效能評估圖來找出最佳解答。最常面臨的問題之一是所謂的「維度詛咒」（Curse of Dimensionality）。當資料的維度（亦即參數）增加後，要找到所有可能參數組合的困難度會迅速倍增至無法處理的地步。維度詛咒的挑戰，正如我們在AI或大數據領域所面臨的困境：當資訊過於龐雜，人類必須尋找方法「降維」，才能以有限的視角理解無窮的世界。這個問題由發明動態規劃（Dynamic Programming）的理查・貝爾曼（Richard Bellman, 1920～1984）所提出。他的「維度詛咒」警告，提醒我們在多維度情境下計算與搜尋的困境。後續並沒有單一數學家「解決」這個問題，而是透過一系列方法來部分緩解，例如降維（Dimension Reduction）、主成分分析（PCA）、隨機投影等。在眾多相關學者之中，戴爾可尼司（Persi Diaconis；1945年生）的故事特別引人入勝。他出生於音樂世家，曾在世界著名的茱麗亞學院（The Juilliard School）研修小提琴近9年。14歲時，他遇到美國魔術大師維農（Dai Vernon, 1894～1992），覺得魔術比拉小提琴更有趣，於是逃家跟隨維農各處巡迴表演。16歲時，他獨立行走江湖賣藝。24歲時，他深感魔術技巧進入瓶頸，應該尋求一些理論基礎，以提升他的表演。因此，他在書店找到一本機率的入門書《Introduction to Probability Theory and Its Applications, Vol. I》，由斐勒（William Feller, 1906~1970）所寫。結果發現難以理解，於是決定進大學學習機率。最終，他成為史丹佛大學統計系的Mary V. Sunseri講座教授。戴爾可尼司並沒有「解決」維度詛咒，但他的研究在隨機性、馬可夫鏈與高維幾何方面提供降維與分析的啟發，對相關領域影響深遠。當維度降到2或3時，結果就能以統計圖表呈現。常用的統計圖表包括圓餅圖（Pie Chart）、曲線圖（Line Graph）和條狀圖（Bar Graph）。許多人以為圓餅圖是由南丁格爾（Florence Nightingale, 1820～1910）所創，事實上，最早的圓餅圖是由英國工程師暨政治經濟學家普萊菲（William Playfair, 1759~1823）所發明。他曾擔任發明蒸氣機的瓦特（James Watt）的助理，幫忙繪製工程圖，也參與不少發明。他在1801年的著作《統計學摘要》（Statistical Breviary）中首次使用圓餅圖，顯示土耳其帝國在亞歐非三洲所佔的面積。南丁格爾的貢獻則在於善用圖表來推動改革。她在克里米亞戰爭中觀察到病死的士兵遠多於戰死者，但僅靠數字報告難以引起重視。於是她創造了一種玫瑰圖（Coxcomb diagram），這是一種與圓餅圖相似的放射狀圖表，用以強調護理改革的成效。她的圖表設計雖然被部分統計學家批評「不易精確比較」，但在當時確實發揮巨大說服力，讓英軍投入更多資源改善醫療條件，拯救無數生命。相較於圓餅圖，條狀圖在大部分情境下表達訊息更好。條狀圖同樣是由普萊菲所發明，他常說「文不如表，表不如圖」: 這句話也是我寫論文時所奉行的準則。在愛丁堡有一條樓梯小徑紀念普萊菲。他的名字也取得很妙。我常說：「Playfair used graphs and charts to play fair」。

拉格朗日點（Lagrange Point）這一概念源自十八世紀法國數學家拉格朗日（Joseph-Louis Lagrange, 1736～1813）的研究成果，是天體力學中的一項重要發現。它描述在2個天體的引力作用下，存在5個特殊的位置，若在這些點上放置第三個質量極小的物體，其所受的引力與離心力可達成動力學平衡，使其能相對穩定地存在於該位置。此理論不僅推進太空工程的設計思維，也為其他領域提供有力的數學比喻工具，包括當代人工智慧（AI）在內。拉格朗日點的發現，是三體問題（three-body problem）研究的副產品。三體問題試圖描述3個天體在萬有引力下的運動軌跡，其動態行為極其複雜，往往難以解析。但拉格朗日在研究太陽-地球-月球系統時發現，若第三個天體質量極小，則在特定幾何配置下，存在5個位置（L1至L5），可使其與2個主體保持穩定相對位置。其中，L1、L2與L3位於主體連線上，L4與L5則分別構成與主體形成等邊三角形的配置。此發現迄今被應用於太空望遠鏡的部署，如韋伯太空望遠鏡（James Webb Space Telescope）即位於太陽-地球系統的L2點。若我們將拉格朗日點的「多力平衡」視為一種數學與概念上的隱喻，則其原理可為AI系統設計帶來啟發。以多智能體系統（multi-agent systems）為例，包括無人機編隊、機器人協作群或自駕車車隊，每個智能體在分散環境中運作時，必須在效率、資源與安全性之間取得平衡。這種多方力量的協作動態，與拉格朗日點中各力達成穩定的概念有著形式上的相似。儘管這不是直接的物理應用，這種比喻可協助設計具有「動態穩定性」的協作演算法，尤其是在非中心化系統中提供有效的架構指引。此外，在深度學習領域中，神經網路訓練的過程常被視為一種優化問題，在企圖複雜的代價函數空間中尋找最小值。這一過程雖然主要依賴如梯度下降法等技術，但若從拉格朗日乘數法（Lagrange multipliers）概念層面延伸，也可將其比作在多重力量（誤差項、正規化項、約束條件）拉扯下的一種「力的平衡」狀態。拉格朗日點和拉格朗日乘數法在名稱上類似，但兩者分屬不同的數學領域，前者為天體力學中的位置解，後者為約束優化中的解法工具，讀者切勿混淆。在面對多目標學習與非線性複雜系統時，AI模型往往須處理如資源分配、效能與公平性之間的矛盾。在這些問題中，靈活引入如「穩定結點」的設計理念，有助於在看似對立的力量中尋求均衡策略。雖非直接援用拉格朗日點的數學公式，但這種「穩定中求變」的設計邏輯與其精神相通。對於混沌系統的模擬應用也是值得一提的面向。雖然拉格朗日點本身並非混沌系統的典型例子，但在研究如氣候模型或金融市場等高度非線性的動態系統時，AI可從天體力學所強調的初始條件敏感性中獲得方法論上的警示與啟發。AI在這類系統中的應用，依賴高精度的預測能力與動態調適策略，而類比於拉格朗日點的穩定架構可成為設計上的哲學參照。當AI逐步融入人類決策過程，甚至走向「人機協同智慧」的階段，如何在人與機器之間設計一種動態平衡的權責配置，將成為重要議題。例如，在醫療領域中，AI可以像L1點一樣，處於資訊匯聚與快速計算的前線，協助提供診斷建議，醫師則保持最終判斷權，確保人類倫理與價值觀的主導地位。這樣的設計不僅可提升效率，也兼顧透明性與責任歸屬，實現「穩定而不僵化」的人機合作模式。

一位資通訊工程師該如何規劃人生？這個問題，在今日快速演進的科技產業中，顯得尤為迫切。或許，我們可以從一位冷戰時期的科學家手中找到些許啟發。在杭廷頓圖書館的特藏室裡，我看到一份泛黃的手稿，標題為〈坦率的職涯思考〉（Candid Career Thoughts; 圖一），署名者是惠倫（Albert "Bud" Wheelon，1929～2013）。這份筆記寫於1965年7月18日，當時惠倫年僅37歲，正值職涯高峰。惠倫是一位才華洋溢、極具前瞻性的物理學家。他畢業於麻省理工學院，並曾於加州理工學院任教。在冷戰期間，他迅速崛起為美國情報科技核心人物，擔任中央情報局（CIA）科學與技術部副主任，是美國早期衛星偵察計畫的關鍵推手之一。在1962年古巴飛彈危機中，惠倫參與設計的「鎖眼」（KH-7 Keyhole）衛星為美方提供重要的圖像情報。然而，這位深居情報高層的科技巨擘，也有著對人生節奏與家庭關係的深刻反思。在〈坦率的職涯思考〉中，他坦言：「金錢與經驗是目標。」這句話表面看似功利，實則映照出他當時身處機密工作的現實條件與自我期許之間的拉鋸。他在筆記中寫下未來願景：一份工程師式的願望清單，也是對「如何過生活」的認真計算。他寫道：「我希望能在40到43歲之間放慢腳步，過上一種有回報但不奢華的生活，好讓我能享受孩子的成長，並在年老、壞脾氣與病痛來臨前，好好與妻子共享人生。」這樣的規劃在當時堪稱前衛。當時的科技與國防圈普遍奉行高強度、長工時的奉獻文化，尤其在情報機構任職，更難談及生活的平衡。但惠倫不滿足於成就，他渴望一種「全人」式的成功，既在專業上發光發熱，也在家庭與身心健康中找到持久的回報。隔年，1966年，惠倫離開政府體系，加入了休斯飛機（Hughes Aircraft）。這家公司是當時電子與航太科技的重鎮，承接大量軍方與NASA合約。惠倫在那裡逐步晉升，最終成為董事長與執行長，主導早期通訊衛星與雷達系統的商業化。他的這次轉職，並不只是升遷與加薪的選擇，而是一次價值觀的調整與實踐。從筆記內容可以看出，他早已盤算一條更寬容、卻不失成就感的道路。休斯為他提供更大彈性與家庭時間的可能性，而他也逐步實現當年筆記中寫下的承諾。惠倫的這份手稿，不只是職涯備忘錄，更是一面映照現代工程師處境的鏡子。在人工智慧、資安、太空商業化等浪潮交錯的今日，許多資通訊人才依然面臨著與半世紀前相似的抉擇：要全力衝刺還是及早轉舵？要追求專業巔峰，還是規劃身心平衡的長期發展？「慢下來不是逃避，而是選擇。」惠倫37歲那年寫下的這句思考，如今讀來依然清晰有力。當我們不斷優化演算法、提高頻寬、壓縮延遲的同時，是否也該為人生中家庭、健康、時間等其他變數保留餘裕？惠倫的故事提醒我們，工程師的人生不必只有線性成長的KPI，也可以有曲線調整的智慧。科技強人，也可以是溫柔規劃生活的實踐者。他的〈坦率的職涯思考〉，不僅寫給自己，也默默地寫給後人，尤其是每一位在高壓產業中尋找節奏的我們。

2007年初，交通大學校長換屆，資訊學院院長林進燈轉任教務長。新任校長吳重雨指示我接任院長，同年2月正式上任。任內我推動3項核心改革：首先，建立原資工與資科教授的共治機制，加速兩系融合；其次，創立聯席會議制度，將傳統三級三審的會議流程簡化為二級，大幅提升行政效率；第三，確立「應用型研究」為學院定位，並與電子資訊中心攜手推動大型產學合作，為學術與產業接軌奠定基礎。我始終強調「可執行性」的管理哲學：決策必須具體明確、務實可行。為消弭系所合併後的本位主義，我邀請前資科系主任簡榮宏出任副院長，曾煜棋為資工系主任，同時賦予各研究所所長副系主任職權，建立責任分明的治理架構。人事安排考量專業能力，同時兼顧系所平衡與長遠發展。在評鑑機制方面，我們選擇不參與IEET認證，僅採教育部評鑑為基準。作為當年全台唯一未參與IEET的工程學院，這項決策避免教研團隊陷入形式化文書作業。我堅信：「教授應將精力投入教學與研究，而非應付評鑑文書。」此理念獲得同仁廣泛認同。學院定位承襲貝爾系統（Bell System）應用型研究精神，強調技術落地與產業價值。當時台灣應用研究多集中在「發展」端，而美國「研用融合」的模式更具啟發性。為此，我邀請工研院資通所所長林寶樹擔任學院的講座教授，其於2009年接掌交大電資中心後，我們共同實踐「電資中心與資訊學院互為延伸」的願景：重大計畫由電資中心統籌、學院教授參與；一般計畫則由教授獨立執行，形成雙向研發循環。在產學合作方面，我主導成立中華電信在交大設立研究中心，並於日後擔任副校長時，將此經驗推廣至全校，創建校級研究中心制度。第一個校級中心是與聯發科共建的平台，接下來則有台積電、廣達、研華、華邦等指標企業相繼進駐。這些中心設有專屬行政窗口，簡化統整智財管理與財務稽核流程，使企業能視研究中心為其研發部門的延伸。同時，我們首創「研究生工作年資認定」制度，強化企業留才誘因，實現產學研三贏。進入AI時代，我認為資訊學院應與台南校區的AI學院深化整合：前者鞏固資通訊核心技術，後者注入AI研究能量。企業如今已從「工具應用」轉向「流程革新」的AI思維。2024年，華邦電子研究中心選擇落腳本院，正是看中AI驅動IC設計的跨界潛力。展望未來，資訊教育須超越技術傳授，著重培養2項AI難以取代的核心能力：批判性思維與原創性。唯有如此，學子方能在智慧浪潮中彰顯人類智慧的真諦，這正是我對學院發展的最終期許。