編按：本文綜合整理自 Terence Tao 個人部落格原文（terrytao.wordpress.com）、Hacker News 討論串（325 分 / 92 則留言），並加入 Siami 編輯部觀點與分析。
從 Java 1.0 到 JavaScript 1999 年的數學視覺化工具復活了
Terence Tao（菲爾茲獎得主、加州大學洛杉磯分校教授）在 2026 年 7 月 11 日發表的部落格文章「Old and new apps, via modern coding agents」中，分享了一段有趣的經驗：他在 1999 年為了複分析跟線性代數課程、以及視覺化數學物件（例如蜂巢結構、Bésicovitch 集合）寫了一批 Java 1.0 applet。這些工具在當年算「中等成功」，但寫程式非常耗時，最後瀏覽器停止支援 Java 1.0，這批 applet 全部失效。
到了 2026 年 7 月，Tao 決定開始把舊網頁與部落格資料搬遷到一個「更容易維護的 repository」，過程中用上現代 AI 助手輔助。他做了一個實驗：請 AI agent 把舊 applet 移植到現代支援的語言（最後選 JavaScript），結果幾小時內就完成。整批約二十幾個 applet 全部恢復運作，還順手做了圖形升級——例如原本單色的 Bésicovitch 集合 applet，現在變成彩色版。
Tao 特別提到，1999 年跟數學家 Allen Knutson 合寫的蜂巢結構 applet 終於復活，這個工具當年手工 coding 時特別棘手。
LLM coding agent 的 bug 風險 比想像中低
「LLM-based coding agents can create various blatant or subtle bugs in their code; but in the porting of these two dozen or so applets, I could only find one minor bug」——Terence Tao
Tao 在文中坦承，LLM coding agent 確實會產生明顯或隱晦的 bug，但這次移植二十幾個 applet 的過程中，他只找到一個小 bug（某個複分析 applet 處理 drag event 時，在主框外的行為不對）。更讓他意外的是，AI agent 反過來抓到他原本程式碼裡的兩個他自己沒發現的 bug。整體而言，程式碼品質算是「打平」。
Tao 強調，這些 applet 是「次要的視覺輔助工具」，而非數學論證的關鍵元件，所以 bug 的風險相對可控。這段話是整篇文章的核心態度：AI 是工具，不是替代品；用在對的地方風險就低，用在錯的地方風險就高。
新工具誕生 從 1999 年放棄的相對論視覺化到 vibe coding 兩小時
移植舊工具的成功經驗讓 Tao 信心大增，決定挑戰當年放棄的專案。
1999 年時他有一個野心勃勃的想法：「Inkscape, but in Minkowski space」——一個特殊相對論的視覺化工具。當時 Inkscape 還沒釋出，這個想法等於是 Minkowski 空間版的向量繪圖軟體。他甚至動手寫了 Java 版本，但程式複雜度太高，最後放棄。
二十七年後的 2026 年，經過「幾小時的 vibe coding」跟 AI agent 對話，他終於做出當年想做的東西。這份新 applet 已經上線，Tao 也公開了跟 AI agent 的對話紀錄（已編輯掉大量無聊的技術實作報告）。他自己承認這是「alpha 版」，可能有 bug 跟粗糙的地方，希望社群給回饋。
Gilbreath 猜想視覺化 順手補完同一天的論文
Tao 在同一天也發表了 Gilbreath 猜想（Gilbreath’s conjecture）的論文。寫完論文後他靈機一動，請 AI agent 寫一個配套的視覺化工具——同樣幾小時就完成。這個視覺化讓讀者能互動式體驗這個數論猜想的細節。
Tao 表示，未來的論文可能會把這種「互動式視覺化」當作附錄。他再次強調，這種補充素材「不是論文的 mission-critical 部分」，所以用 LLM agent 產生的 downside risk 是可以接受的。
🚨 為什麼這件事重要 菲爾茲獎得主親自示範 LLM coding agent 的真實戰力
這篇文章之所以在 Hacker News 上 24 小時內衝到 325 分、92 則留言，不是因為 Tao 是名人。真正的訊號是他的角色定位：頂尖數學家、對 AI 工具的優缺點有充分認知、且親自動手驗證。
幾個值得注意的觀察：
- 移植速度：二十幾個 Java 1.0 applet，幾小時移植完成。傳統上這種「legacy code modernization」是企業 IT 的痛點，動輒幾個月。LLM agent 把時程壓縮到一個下午。
- AI 抓到原 bug：這比「AI 沒寫出 bug」更有意義——Tao 在他自己 1999 年的程式碼裡漏掉的問題，AI 居然能抓出來。這暗示 LLM 在 code review 上的應用潛力。
- 從放棄到實現的時間差：1999 年放棄的「Minkowski Inkscape」，27 年後才用 AI 補完。這不只是工具升級，而是**「個人夢想」跟「技術成本」的關係改變了**——以前一個人寫不動的東西，現在一個人加 AI 寫得動。
🚨 數據解讀 與 質疑
雖然整篇文章讀起來像是 LLM coding agent 的成功案例，但 Siami 編輯部覺得有幾個面向需要平衡看待：
- 樣本偏誤：Tao 是頂級 domain expert，他對「什麼是 bug」「什麼是 acceptable visual aid」有極高判斷力。普通開發者用 LLM agent 寫 visual dashboard，bug 風險完全不同層級。HN 留言
alansaber就直說：「It’s always a hobby project, never something serious.」意思是 domain expert 的「成功」未必能套用到 production 環境。 - 任務性質：視覺化、教學工具本來就是 LLM 強項（純前端、視覺直覺、不涉及關鍵系統）。Tao 自己也很誠實地說「not mission-critical」。如果是寫密碼學函式、醫療設備控制邏輯，他會用同樣的態度嗎？答案顯然不是。
- 230 分熱度 vs. 評論內容：HN 上 92 則留言，但很多都在討論 AI 對數學研究的長期影響，而非這篇 applet 移植的技術細節。這顯示社群對「Tao 怎麼看 AI」這個 meta 議題更感興趣，而不是這次實作的具體工具鏈。
網友熱門留言 (5)