今日刊

你知道費曼（Richard Feynman）常用來估算原子彈爆炸威力的「貝特-費曼公式」嗎？這條公式看似可靠，但原始推導過程卻存在不明顯的近似，甚至隱含一個矛盾。這篇研究發現，只要回到亞瑟·康普頓（Arthur H. Compton）1941年更早的方法，就能直接得到同樣的公式，所有矛盾也迎刃而解。

簡單來說：康普頓的舊方法就是費曼公式的另一種形式。這項發現不僅釐清了歷史疑點，也讓公式背後的物理直覺變得更加清晰易懂。

💡 所以呢？它讓我們更透徹理解早期核武設計的關鍵公式，讓深奧的物理變得親切可近。

就像攝影師先用便宜鏡頭拍一張照片，再檢視照片與真實場景的差異來校正鏡頭，經濟學家開發出間接變分推論（IVI）：先接受變分推論（VI）這個『便宜鏡頭』，然後把VI本身當成輔助模型，矯正它自己產生的偏差。在薪資動態模型中，傳統VI會因近似後驗分佈的選擇而扭曲參數估計；IVI透過模擬校正這項偏誤，讓最終估計更可靠。研究指出，變分家族的選擇是關鍵，而IVI讓彈性較高的變分家族也能給出可靠結果。這意味著經濟學家終於能在大數據模型中使用快速但近似的方法，同時保有參數的精確度。

想像一下，你用小組平均成績來推估每個學生的實力——但組內程度差異很大時，平均數根本無法代表個人。研究發現，用夜間燈光亮度推估地方經濟活動也有類似問題：聚合資料會把彈性係數「拉向1」，不管訊號雜訊比如何。這個偏差在富裕國家比較好校正，因為單位較小、內部差異較低。

簡單說：夜間燈光是個好用的經濟代理變數，但直接拿來用可能扭曲結果。了解這個聚合偏誤，才能更準確地從衛星資料判斷各國經濟。

想像一下，515名學生一起蓋氣象站，但更酷的是，他們後來學會了讀懂這些站的數據。哥倫比亞的RACiMo公民科學網絡，從學校的開源硬體計畫起家，如今擴展到五個自治市，教學重點也從「動手組裝感測器」轉變為「批判性分析環境數據」。這種轉變讓學生不再只是工具使用者，而是有能力解讀氣象與空氣品質的公民科學家。

為什麼重要？這證明公民科學能賦能社區，特別是年輕人，把複雜的氣候數據變成在地調適的實際知識。

一項預註冊實驗比較了三種AI輔助審稿工具：單次生成報告、多智能體辯論（mad-research與paper-workshop）。44篇經濟學後設分析作者投票結果顯示，單次報告勝過兩種辯論工具，分別高出0.66與0.57排名分（95%信賴區間不跨0）。諷刺的是，paper-workshop耗費近30倍詞元，卻未換來更高滿意度。更關鍵的是，若換成AI裁判，結果會完全相反——這警示我們，千萬別用AI取代人類審稿者的判斷。