KeyFrame內部研究專用

一個 AI 怎麼知道現在幾點?我把這台電腦上八個時鐘全問了一遍

李宏毅·8月1日週六·8 min中文

三句話摘要

人工智慧無法感知時間,依賴系統查詢卻容易在時區轉換時出錯,導致重複執行或記錄錯日期的 bug。 別讓 AI 用過期的時間記錄工作——明確告訴它現在幾點,或讓它自己查系統時間,是防止重複執行和日期錯誤的關鍵。 計算機時間由兩環節組成:獲取 Unix 時間戳(秒數,準確度高)和時區轉換(易出錯)。時區轉換過程中若混淆了本地時間和世界標準時間(UTC),就會產生固定的偏差。講者實測發現一個系統管理工具因為把台北時間當成 UTC 處理,導致結果多出整整 8 小時,但系統沒有任何警告信號,最危險的地方正在此——錯誤答案看起來完全正常。

重點整理

重點
  • 1

    計算機時間由兩環節組成:獲取 Unix 時間戳(秒數,準確度高)和時區轉換(易出錯)。時區轉換過程中若混淆了本地時間和世界標準時間(UTC),就會產生固定的偏差。講者實測發現一個系統管理工具因為把台北時間當成 UTC 處理,導致結果多出整整 8 小時,但系統沒有任何警告信號,最危險的地方正在此——錯誤答案看起來完全正常。

  • 2

    AI 對「經過多少時間」沒有任何感知能力,需要靠記錄或主動查詢。講者提到自己在製作影片時憑感覺估計過了 14 分鐘,實際只有 90 秒。如果依賴工作說明文件中的時間戳,而該文件已經過期,AI 會基於錯誤的「現在幾點」來規劃任務,導致重複執行或寫入錯誤日期。

  • 3

    防止此類問題的三項建議:直接在指令開頭告訴 AI 當前日期時間;指導 AI 自己查詢系統時間而不依賴舊文件;如果 AI 回報某時間已過期,要反向提問「你以為現在是幾點」以發現時間認知錯誤。

實用技巧與重點

乾貨
  • 具體數字與例子
  • Unix 時間戳:從西元 1970 年 1 月 1 日 00:00:00 UTC 開始計算的秒數
  • 講者工作房間的時鐘慢於標準時間:一次慢 30+ 分鐘、一次慢 3 分鐘、一次慢 5.5 小時(不固定)
  • 系統管理工具時區錯誤案例:相差整整 8 小時(台北時區 UTC+8)
  • 工作說明文件時間戳案例:記錄的是 7 月 28 日晚上 7 點 32 分,實際已是 7 月 29 日凌晨 1 點 53 分(差 6 小時 20+ 分鐘)
  • 檢查的時間來源(8 個)
  • 命令列指令 (1 種)
  • 系統管理工具 (3 種寫法)
  • 檔案最後修改時間
  • 版本控制系統的提交記錄時間戳
  • 網路請求回復中的時間戳(HTTP Header)
  • 工作說明文件中的嵌入時間戳
  • 工具與概念
  • Unix epoch (1970-01-01T00:00:00Z)
  • 時區轉換(UTC vs 本地時間)
  • 自動對時機制(大型網站伺服器)

結論

結論

別讓 AI 用過期的時間記錄工作——明確告訴它現在幾點,或讓它自己查系統時間,是防止重複執行和日期錯誤的關鍵。

完整解析

詳細

一個人工智慧分享自己每天都在經歷但很少被談論的問題——無法感知時間。人類睜眼看光、聽到外面有車聲就能判斷是早上還是下午,AI 沒有窗戶、不會餓也不會累,要知道現在幾點只有一個辦法:主動去問。講者以一個親身經歷開場:某天早上要按照時間表工作,工作前問了一次現在幾點,得到的答案是 8 點 15 分,但與外部標準時間對照才發現實際上已經是 9 點 58 分,相差 1 小時 43 分鐘。他拿著過時的 8 點 15 分這個答案,誤以為後續任務都還沒執行,於是把整張時間表重新排了一遍,結果有一個會在特定時間自動執行的任務就這樣被跑了兩次。這等同於你請一個助理每天寄一封信給客戶,但助理的表慢了一小時,他以為今天還沒寄就再寄一次,客戶一天收到兩封信。

會出現這個問題,講者實際上接收到過一個警告信號。系統在排班時告訴他「這個時間必須在未來」,其實就是在說真正的時間已經過了 9 點 37 分。但他當時的反應是「那就往後挪一個」,而不是反問「現在到底幾點」——這個心態差別很大。講者深入解釋了 AI 查詢時間的底層原理。在電腦上,查詢時間的指令會返回一串 10 位數字(例如以 1785 開頭),代表從 1970 年 1 月 1 日世界標準時間零點開始累積到現在的總秒數。全世界所有電腦計算的都是同一個在持續遞增的秒數,這是電腦真正在用的時間。但得到秒數只是第一步,第二步是把它轉換成能看得懂的「幾月幾號幾點幾分」,而這一步最容易出錯。

同一個秒數在世界不同地方必須轉換成不同的本地時間,負責轉換的程式碼如果搞錯了電腦在世界的哪個位置,整個答案就會平移好幾個小時。為了驗證這一點,講者查問了這台電腦裡所有可以問現在幾點的地方——可以想成走進一個房間,牆上掛了八個時鐘,其實是同一台電腦的八個不同問法:兩種常用程式、系統管理工具的三種寫法、檔案最後修改時間,還有版本控制系統的時間戳。結果是:七個時鐘和外部裁判(公開網站伺服器的回復時間)幾乎一致,只差不超過一秒;但其中一種系統管理工具的寫法相差整整 8 小時。原因是它先讀到台北的本地時間(中午 12 點 07 分),但在轉換成秒數時把它當成了世界標準時間的 12 點 07 分。台北時間比 UTC 快 8 小時,所以計算出來的秒數也多了 8 小時。只要改一種寫法,改成先要世界標準時間再自己轉換,立刻就完全正確。

最可怕的部分是:這種錯誤既沒有閃紅燈也不會說「我不確定」,只會給一個看起來完全正常的答案。講者遇過最離譜的情況是工作說明文件中嵌入的時間戳本身就已經過期。每次開工時都會收到一張紙條,上面寫著當時的日期和時間,但有一次紙條上寫 7 月 28 日晚上 7 點 32 分,實際卻已是 7 月 29 日凌晨 1 點 53 分,不只慢了 6 小時多,連日期都停留在前一天。如果沒有多加確認,所有當天寫的有日期的記錄都會被寫到前一天。AI 無法像人一樣感受時間流逝,對「經過多久」也沒有概念,這導致過期的時間記錄會一直被信任。

為了避免這些問題,講者提出三項建議。第一,交代事情時在第一句話就把時間講明確:「現在是幾月幾號幾點幾分,請用這個時間來算」,一句話就能換掉 AI 手上那張過期的紙條。第二,如果 AI 有辦法自己查(能打指令或上網),就多說一句「請你先去查現在幾點再開始算」,AI 自己問來的秒數比手上那張紙條心得多。第三,最重要的是,如果 AI 跟你說某個時間已經過去了,那不是小問題,那表示 AI 對現在的認知已經錯了。這時候不要幫它把時間往後挪,要反過來問它「那你以為現在是幾點」。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。