作業 3：演講心得與地震學習報告

這次聽完張睿明老師關於 AI 工具與 Prompt Engineering 的演講後，我最大的收穫並不是單純知道「AI 很強」，而是更清楚理解到：AI 能不能真正幫助我，關鍵不只在於工具本身有多厲害，也在於我能不能把自己的需求說清楚。過去我使用 ChatGPT、Gemini 或其他 AI 工具時，常常會用很直覺的方式提問，例如「幫我整理這份資料」、「幫我寫心得」、「教我這個概念」。雖然 AI 通常也能給出一些內容，但結果有時候會太籠統，或是和我真正想要的方向有落差。這次演講讓我意識到，問題不一定是 AI 不懂，而可能是我沒有把角色、任務、背景和輸出格式講清楚。

老師在演講中提到，不管是透過瀏覽器使用 GPT、Gemini、Claude、Grok，還是在 IDE、CLI 等程式開發環境中使用 AI，本質上都還是「跟 AI 溝通」。這點讓我很有感，因為以前我會把不同 AI 平台看成不同工具，但比較少去思考它們背後共同需要的能力其實是溝通能力。也就是說，Prompt Engineering 不只是工程師或寫程式的人才需要學，而是所有想有效使用 AI 的人都需要具備的基本能力。對我來說，這也讓 AI 從一個「幫我快速產生答案的工具」，變成一個需要我主動引導、共同完成任務的學習夥伴。

演講中最讓我印象深刻的是 Prompt 的四大原則：Persona 角色、Task 任務、Context 情境、Format 格式。這四個元素看起來很簡單，但其實正好解釋了為什麼有些 Prompt 產出的內容比較精準，有些卻很空泛。例如，如果我只問「可以教我 P 波、S 波與表面波的差異嗎」，AI 可能會給我一段普通的科普說明；但如果我改成「你是一位經驗豐富的地震學大學教授，專門教台灣大二學生，用繁體中文、簡單比喻、逐步解釋 P 波、S 波與表面波的差異，並連結台灣 0403 大地震案例，最後出一題選擇題測試我」，這樣 AI 就會更知道我要的是什麼程度、什麼語氣、什麼背景，以及最後應該輸出成什麼形式。這讓我發現，好的 Prompt 其實不是把問題問得很長而已，而是要讓 AI 明確知道「它要扮演誰、要做什麼、在什麼情境下做、最後要交出什麼樣的成果」。

這個觀念對我之後寫 Prompt 很有幫助。以前我常常會期待 AI 自動猜到我的需求，但聽完演講後，我更能理解自己應該先整理清楚目標。尤其是在寫報告、讀論文、準備課堂發表或整理地震學資料時，我可以先告訴 AI 我的身分是「大二地球科學相關科系學生」，再說明我目前的學習程度、報告需求、字數限制、語氣風格，以及希望它用條列、表格、講稿或心得形式呈現。這樣一來，AI 給出的答案就不只是通用資料，而會更接近我真正能使用、能理解、能拿來修改的內容。

老師也提到 Context Window，也就是不同模型能記住和處理的上下文長度不同。這讓我重新思考自己使用 AI 時常遇到的問題：有時候我丟很多資料給 AI，後面卻發現它好像忘記前面的內容，或是回答開始偏離原本方向。以前我可能會以為是 AI 失誤，但現在我知道這和模型能處理的上下文範圍有關。因此，未來我在使用 AI 時，不能只是一直把資料堆進去，而要學會分段整理、摘要重點，甚至在不同階段重新提醒 AI 目前的任務和標準。這也提醒我，使用 AI 不是完全省去思考，而是要更有方法地管理資訊。

除了 Prompt Engineering，本次演講提到 Reasoning Model 的 Low、Medium、High 思考等級也讓我覺得很實用。老師指出，簡單問答或快速查詢使用 Low 就足夠；一般學習、整理筆記可以用 Medium；如果是複雜研究、Deep Research 或完整報告，才需要用 High。這讓我理解到，使用 AI 也要根據任務選擇適合的模式，而不是每次都開最高等級。像是我只是想知道「P 波是什麼」，其實不需要很深的推理；但如果我要比較 921 地震和 0403 地震在防災科技上的差異，或要寫一份完整研究報告，就需要更高層次的分析。這種選擇方式讓 AI 使用變得更有效率，也更符合實際學習需求。

我也很喜歡老師提出「用魔法對付魔法」的說法。這句話讓我覺得 AI 不只是拿來產生答案，也可以拿來幫助我們設計更好的問題。也就是說，當我不知道如何寫 Prompt 時，其實可以先請 AI 根據我的個性、背景、學習目標和任務需求，幫我設計一個更完整的 Prompt。這點對我很有啟發，因為我有時候知道自己想完成某件事，卻不知道怎麼把需求講得精準。如果能先讓 AI 幫我整理 Prompt，再用這個 Prompt 去執行正式任務，結果應該會比直接隨便問更好。

演講中提到 GEM 的設立，也讓我對個人化學習有新的想像。老師說可以依照自己的性格進行學習設定，例如懶惰、勤奮，也可以使用蘇格拉底式提問、Top-down 學習方式或記憶曲線等方法。這讓我想到，AI 不一定只能被動回答問題，它也可以被設定成一個符合我學習習慣的家教。例如我在讀地震學時，常常會遇到名詞很多、概念很抽象的問題，如果我能建立一個專門陪我學地震學的 GEM，讓它知道我是大二學生、對地震學有興趣、需要清楚的邏輯與生活化比喻，也希望它在我回答不完整時用追問引導我，那麼 AI 就不只是工具，而會更像是一個可以長期陪我學習的助教。

最後，老師提到「如何確認自己真的會了？寫得出來、唸得出來」也讓我很有共鳴。很多時候我以為自己懂了某個概念，但其實只是看懂 AI 的回答，還沒有真正內化。如果我能把學到的內容用自己的話寫出來，甚至唸出來講給別人聽，才比較能確認自己真的理解。這也提醒我，AI 可以幫助我學習，但不能取代我自己的消化與表達。真正重要的不是把 AI 的答案直接交出去，而是透過 AI 幫我釐清概念、整理架構，最後再轉化成我自己的理解。

整體而言，這場演講讓我對 AI 的使用有更完整的認識。它讓我知道，未來使用 AI 時不能只是問「幫我做什麼」，而是要更明確地設計 Prompt，讓 AI 清楚知道我的角色、任務、背景和成果格式。尤其是 Prompt Engineering 的介紹，讓我在之後寫 Prompt 時更能掌握方向，也更知道如何讓 AI 工具達到自己的期望。對我來說，這不只是一次 AI 工具介紹，而是一堂關於「如何把問題問好」的課。未來不論是寫報告、準備簡報、學習地震學，或是整理其他課程內容，我都會更有意識地運用這次學到的方法，讓 AI 成為幫助我思考與學習的工具，而不是只用來快速產生答案的捷徑。

一、個人化學習 GEM 設定

這次我選擇研究「2025 年 12 月 8 日日本青森外海 Mw 7.6 地震」。我在閱讀這份地震報告時，設定的 GEM 學習方式是：G 代表 Goal，也就是先抓出我想理解的核心問題；E 代表 Explore，透過震源資訊、震度分布、構造背景、海嘯與餘震資料進行探索；M 代表 Meaning，把學到的內容轉化成我自己能理解的地震學意義。我的學習目標不是只背地震規模或災情，而是想知道：為什麼這次地震會發生在青森外海？為什麼規模達 Mw 7.6，但海嘯沒有特別大？它和日本、台灣的隱沒帶地震有什麼差異？

二、地震基本資訊

2025 年 12 月 8 日台灣時間晚上 10 點 15 分，日本東北部青森縣東側近海發生 Mw 7.6 地震。震央位於約 41.043°N、142.141°E，震源深度約 40 至 50 公里，USGS 報告中的深度約為 44 公里。從震源深度與震源機制來看，這次地震屬於低角度逆斷層型的隱沒帶介面地震，也就是太平洋板塊隱沒到日本東北下方時，在板塊交界面上發生錯動。

這次地震在青森縣八戶市造成最大日本氣象廳震度 6 強的劇烈搖晃，當地出現部分災損，約有 50 人受傷。青森、岩手等沿岸也觀測到 1 公尺以下的海嘯波，其中最大海嘯波高為岩手縣久慈港的 0.7 公尺。雖然地震規模不小，但從目前資料來看，災情相對有限，這與震源位置、破裂範圍和海床變形程度有很大關係。

三、構造背景與震源特性

青森外海位於日本海溝與千島海溝附近，是日本東側重要的隱沒帶地震區。太平洋板塊持續向西隱沒到鄂霍次克微板塊下方，每年約吸收 8 至 11 公分的相對板塊位移，因此長期累積相當大的構造應力。這種板塊聚合環境很容易產生逆斷層型地震，也解釋了這次地震為什麼會具有隱沒帶介面地震的特徵。

震源機制解顯示，這次地震可能發生在一個接近南北走向、向西傾斜的低角度斷層面上。GEOFON、GCMT、USGS W-phase 與 JMA CMT 對規模與深度的估計雖略有差異，但大致都顯示震源深度在 40 公里左右，規模約 Mw 7.4 至 7.6。這代表不同機構使用的資料與反演方法不同，但整體對地震性質的判斷相當一致。

我覺得最有意思的是破裂特性。報告指出，這次地震的最大滑移量約集中在震源附近，可達約 4 公尺，破裂範圍沿走向約 30 公里、深度範圍約 10 公里，主要能量釋放集中在前 18 秒，總持續時間將近 30 秒。雖然 Mw 7.6 已經是大型地震，但它的破裂沒有延伸到很淺的海溝附近，也沒有直接破裂到地表或海床，因此海床垂直變形有限，這可能是海嘯波高沒有特別大的原因。

四、震度、餘震與海嘯觀察

從震度分布來看，這次地震主要影響日本東北部，尤其是青森縣八戶市。八戶市約有 23 萬人在地震發生時面臨震度 6 強的劇烈搖晃，這說明地震危害不只取決於震央位置，也取決於人口分布與城市距離震源的遠近。日本使用的 JMA 震度分級和台灣中央氣象署的震度分級並不完全相同，不能直接用數字比較。不過報告提到，本次最大 JMA 震度 6 強約對應到台灣震度 6 弱，這讓我更能想像這種搖晃對建築物和人的影響。

餘震分布也支持這次地震與隱沒帶介面有關。JMA 的資料顯示，餘震大致沿著主震震央向東、往較淺處發展，東側餘震較淺，西側餘震較深，這和板塊隱沒幾何有關。也就是說，餘震並不是隨機分布，而是沿著板塊邊界與主震破裂區附近發生，反映出主震後應力重新分配的結果。

海嘯方面，日本氣象廳在地震後對東北沿岸與北海道部分沿岸發布海嘯警報與注意報，預估部分地區可能出現 1 至 3 公尺海嘯。不過實際觀測到的最大海嘯波為久慈市 70 公分，浦河町 50 公分，八戶市與むつ小川原港約 40 公分。從初步海嘯模擬來看，海嘯能量主要集中在青森與岩手沿岸，與海嘯波源的指向性有關。這讓我理解到，海嘯大小不只由地震規模決定，也受到震源深度、斷層傾角、破裂是否接近海床，以及能量傳播方向影響。

五、歷史地震與後續風險

六、日本地震與台灣地震的比較與反思

這次青森外海地震讓我聯想到台灣的地震環境。日本和台灣都位於板塊邊界附近，也都受到隱沒作用與板塊碰撞影響，因此地震頻繁。不過兩者仍有明顯差異。日本東北外海的地震多與太平洋板塊隱沒到日本海溝下方有關，容易形成大規模海溝型地震與海嘯；台灣則位在歐亞板塊與菲律賓海板塊交界，除了隱沒帶地震外，還有非常強烈的島弧碰撞與陸上活動斷層地震，例如集集地震這類淺層破裂事件，對陸地建築與人口影響很直接。

日本在 2011 年東日本大地震之後建立了 S-net 海底地震觀測網，沿日本海溝布設大量海底地震儀、水壓計與傾斜儀，能更快偵測外海隱沒帶地震與海嘯。這點讓我印象深刻，因為外海地震如果只靠陸上測站，早期預警與海嘯判斷可能會比較慢。台灣同樣面臨東部外海與琉球隱沒帶的地震海嘯風險，因此海底觀測、即時預警和防災教育也非常重要。

整體而言，這次 2025 年日本青森外海 Mw 7.6 地震是一個典型的隱沒帶介面地震案例。它的規模大、震度強，但因破裂深度較深、沒有接近海床，海嘯相對有限。透過這份報告，我不只學到地震的基本參數，也更理解震源機制、破裂特性、海嘯生成與歷史地震風險之間的關聯。對我來說，地震報告不是單純的災害紀錄，而是一種把地球內部構造、板塊運動、觀測技術與防災判斷連結起來的學習材料。