流感來了，幼稚園可以停班，大學呢？用風險值來決定吧！

「啊！蚊子！」

登革熱好嚴重，但，還會更嚴重。過往紀錄顯示登革熱的疫情高峰，常常到 9 月才大規模爆發？這聽起來有點反直覺，我本來還以為應該是最熱的 7、8 月？但其實啊，就是要等天氣稍微降溫，當大家開始出門，不是躲在冷氣房的時候，反而比較容易傳播登革熱。

而根據近期疾管署的統計顯示，台灣各地的登革熱已經發生 4,338 例本土病例，是從 2015 年登革熱在全台造成 43,419 例之後，登革熱疫情最嚴重的一年，我們真的要注意小心！只要出門，防蚊措施不能免！

不過……話說回來，難道就沒有疫苗可以一勞永逸預防登革熱嗎？

好幾年沒聽說的登革熱，怎麼突然又「熱」起來？

這個我們就要講到台灣登革熱的發生模式，其實台灣沒有登革熱本土病毒株，所以每當登革熱疫情過去之後，登革熱病毒就會在台灣消失，而下一次的登革熱發生，就必須是境外移入的登革熱患者由國外輸入到國內，而且必須要在登革熱可被傳播的期間，被病媒蚊叮咬並傳播出去，才會造成本土的病例，所以從這點我們可以知道登革熱流行，有兩個有效的控制條件：第一、即時發現境外移入病例，直接隔絕病毒在境外。第二、控制台灣本土病媒蚊數量，以及密度，讓登革熱病毒難以傳播出來。

那過去幾年為什麼都沒有發生登革熱的流行呢？因為 2020 年開始因為 COVID-19 疫情封鎖國境，根據疾管署的資料，2020 年到 2022 年，這三年加起來全國僅有 144 例登革熱境外移入病例，而 2023 年至今已經有 158 例登革熱境外移入案例，而在 2015 年登革熱大流行時，更有 354 例境外移入案例，這也表示台灣登革熱疫情的發生，與境外移入登革熱案例息息相關。

尤其，台灣許多行業仰賴東南亞國家的移工，很多台灣廠商也在東南亞國家設廠，彼此之間的旅遊往來也越來越多，所以東南亞國家的登革熱疫情嚴重與否，與台灣是否會發生登革熱流行，有著高度相關。

把積水倒掉！杜絕登革熱，從減少病媒蚊產卵點開始

每年到了春夏交際時，政府都會宣導要防治病媒蚊，做好居家附近的環境衛生管理，大家耳熟能詳的【巡、倒、清、刷】四字口訣，為的是減少積水，那麼孳生源的減少，真的能夠有效防治登革熱發生嗎？

這時我們要提到登革熱病媒蚊的生殖營養週期。週期的開始是一隻未吸血的雌蚊，開始尋找適合的吸血對象，在吸飽血後，這隻雌蚊需要等待約 2 到 3 天，讓體內的卵發育成熟，接著雌蚊就會開始尋找有水的地方產卵。而埃及斑蚊或白線斑蚊產卵場，都偏好小型的水域，就像廢棄輪胎內的積水、盆栽下方的接水盆等等，當雌蚊把卵都產下來後，就完成了一個生殖營養週期，接著她會再繼續尋找下一個吸血的對象，不斷循環下去。在實驗室內條件充足的環境下，最快 3 天就可以完成一個週期，而在野外一般環境中，科學家認為 5 到 7 天可以完成一次週期。

猜猜看一隻雌蚊一次可以產下多少卵？答案是 50-200 顆卵。也就是說，一隻雌蚊經歷一次生殖營養週期，假設生男生女一樣多，也就可以有 25-100 隻新出生的雌蚊。吸血的蚊子等於放大了 25-100 倍的數量，所以一隻蚊子在適合環境下，經歷三代之後最多就可以有 1,000,000 隻雌蚊產生。

我們透過蚊蟲的生活史反推，這僅僅只需要一個月左右的時間。

所以回到一開始的問題，把積水容器清除可以減少蚊蟲數量嗎？如果把你居家附近的積水容器清除的話，其實會讓蚊子找不到產卵的地方，你家附近的蚊蟲的確就會減少，其中一個特殊的現象就是，如果蚊子一直沒有辦法產卵，就會將體內的卵回收成為自身的營養，等待再進入一次生殖營養週期，因此減少雌蚊下一代，自然整體蚊蟲的數量就會減少。

ADE 效應是什麼？有沒有疫苗可以防治登革熱？

除了防治病媒蚊以外，有沒有可以預防登革熱感染的疫苗呢？

其實，登革熱疫苗的開發非常困難，主要的原因是在人類中流行的登革熱病毒有四種血清型別，而不同型別之間的前後感染，有時候會造成前一型感染產生的抗體，幫助後面另外一型的登革熱病毒感染細胞，使病毒就更容易感染細胞，而這個現象也就是抗體依賴增強效應，簡稱 ADE 效應。

當 ADE 效應產生，也就容易造成較嚴重的病症，而 ADE 效應也是登革熱出血熱產生原因之一，也正是因為有 ADE 效應，登革熱的疫苗開發的難度相當大，因此這隻疫苗需要同時產生對抗四型登革熱的有效抗體，還要避免 ADE 效應的產生。

雖然有 ADE 這個大魔王擋在前面，那麼究竟能不能做出登革熱疫苗呢？

其實，在 2015 年賽諾菲巴斯德藥廠曾經有世界上第一支可施打的四價登革熱疫苗 Dengvaxia，但這隻疫苗僅能夠使用在「感染過登革熱」的人身上，主要的原因，還是因為這支疫苗打在「未感染過登革熱」的人身上，當他們感染登革熱時，會產生 ADE 效應，反而變得更嚴重。

不過近期有了轉機，日本武田製藥的 TAK-003 已經完成三期試驗，在歐盟、英國、巴西、印尼、泰國、阿根廷獲得上市許可，根據 TAK-003 在新英格蘭醫學雜誌 NEJM 和柳葉刀 Lancet 發表的論文，在施打 2 劑後，12 個月可以達到 80.2% 的不感染保護力，18 個月後即便感染，也有 90.4％ 的重症保護力，而在施打後 4 年半的持續追蹤，仍然保有 61.2% 的不感染保護力，而且對重度登革熱保護力也有 84.1%，更重要的是，跟 Dengvaxia 相比，不論是否曾經感染過登革熱，都可以施打這個新疫苗，不用擔心 ADE，除了 TAK-003 外，台灣還參與了默沙東藥廠的 V181 和默克藥廠的 TV003 兩支候選疫苗的臨床試驗，可惜的是，台灣還沒有通過 TAK-003 的上市許可。

但自從 1970 年代開始研發的登革熱疫苗，面對一道又一道難關，過了五十多年後，似乎終於有疫苗可以幫助人類對抗登革熱了！

登革熱正在蔓延中，你有什麼好的防蚊秘方嗎？你或認識的人得過登革熱嗎？當時的感受是什麼呢？歡迎與我們分享。最後也想問問，你會想打最新的登革熱疫苗嗎？

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

數位世界已經改變了我們日常生活的體驗，一個人從早到晚都會接受到大量數據，受益於大量數據，也貢獻大量數據。這些數據龐大的程度，和消化資訊的方式已經太過繁多，人類心智根本無法處理。

與數位科技建立夥伴關係

所以人會本能地或潛意識地倚賴軟體來處理、組織、篩選出必要或有用的資訊，也就是根據用戶過去的偏好或目前的流行，來挑選要瀏覽的新項目、要看的電影、要播放的音樂。自動策劃的體驗很輕鬆容易，又能讓人滿足，人們只會在沒有自動化服務，例如閱讀別人臉書塗鴉牆上的貼文，或是用別人的網飛帳號看電影時，才會注意到這服務的存在。

有人工智慧協助的網路平臺加速整合，並加深了個人與數位科技間的連結。人工智慧經過設計和訓練，能直覺地解決人類的問題、掌握人類的目標，原本只有人類心智才能管理的各種選擇，現在能由網路平臺來引導、詮釋和記錄（儘管效率比較差）。

網路平臺收集資訊和體驗來完成這些任務，任何一個人的大腦在壽命期限內都不可能容納如此大量的資訊和體驗，所以網路平臺能產出看起來非常恰當的答案和建議。例如，採購員不管再怎麼投入工作，在挑選冬季長靴的時候，也不可能從全國成千上萬的類似商品、近期天氣預測、季節因素、回顧過去的搜尋記錄、調查物流模式之後，才決定最佳的採購項目，但人工智慧可以完整評估上述所有因素。

因此，由人工智慧驅動的網路平臺經常和我們每個人互動，但我們在歷史上從未和其他產品、服務或機器這樣互動過。當我們個人在和人工智慧互動的時候，人工智慧會適應個人用戶的偏好（網際網路瀏覽記錄、搜尋記錄、旅遊史、收入水準、社交連結），開始形成一種隱形的夥伴關係。

個人用戶逐漸依賴這樣的平臺來完成一串功能，但這些功能過去可能由郵政、百貨公司，或是接待禮賓、懺悔自白的人和朋友，或是企業、政府或其他人類一起來完成。

個人、網路平臺和平臺用戶之間的關係，是一種親密關係與遠距聯繫的新穎組合。人工智慧網路平臺審查大量的用戶數據，其中大部分是個人數據（如位置、聯絡資訊、朋友圈、同事圈、金融與健康資訊）；網路會把人工智慧當成嚮導，或讓人工智慧來安排個人化體驗。

人工智慧如此精準、正確，是因為人工智慧有能力可以根據數億段類似的關係，以及上兆次空間（用戶群的地理範圍）與時間（集合了過去的使用）的互動來回顧和反應。網路平臺用戶與人工智慧形成了緊密的互動，並互相學習。

網路平臺的人工智慧使用邏輯，在很多方面對人類來說都難以理解。例如，運用人工智慧的網路平臺在評估圖片、貼文或搜尋時，人類可能無法明確地理解人工智慧會在特定情境下如何運作。谷歌的工程師知道他們的搜尋功能若有人工智慧，就會有清楚的搜尋結果；若沒有人工智慧，搜尋結果就不會那麼清楚，但工程師沒辦法解釋為什麼某些結果的排序比較高。

要評鑑人工智慧的優劣，看的是結果實用不實用，不是看過程。這代表我們的輕重緩急已經和早期不一樣了，以前每個機械的步驟或思考的過程都會由人類來體驗（想法、對話、管理流程），或讓人類可以暫停、檢查、重複。

人工智慧陪伴現代人的生活

例如，在許多工業化地區，旅行的過程已經不需要「找方向」了。以前這過程需要人力，要先打電話給我們要拜訪的對象，查看紙本地圖，然後常常在加油站或便利商店停下來，確認我們的方向對不對。現在，透過手機應用程式，旅行的過程可以更有效率。

這些應用程式不但可以根據他們「所知」的交通記錄來評估可能的路線與每條路線所花費的時間，還可以考量到當天的交通事故、可能造成延誤的特殊狀況（駕駛過程中的延誤）和其他跡象（其他用戶的搜尋），來避免和別人走同一條路。

從看地圖到線上導航，這轉變如此方便，很少人會停下來想想這種變化有多大的革命性意義，又會帶來什麼後果。個人用戶、社會與網路平臺和營運商建立了新關係，並信任網路平臺與演算法可以產生準確的結果，獲得了便利，成為數據集的一部分，而這數據集又在持續進化（至少會在大家使用應用程式的時候追蹤個人的位置）。

在某種意義上，使用這種服務的人並不是獨自駕駛，而是系統的一部分。在系統內，人類和機器智慧一起協作，引導一群人透過各自的路線聚集在一起。

持續陪伴型的人工智慧會愈來愈普及，醫療保健、物流、零售、金融、通訊、媒體、運輸和娛樂等產業持續發展，我們的日常生活體驗透過網路平臺一直在變化。

當用戶找人工智慧網路平臺來協助他們完成任務的時候，因為網路平臺可以收集、提煉資訊，所以用戶得到了益處，上個世代完全沒有這種經驗。這種平臺追求新穎模式的規模、力量、功能，讓個人用戶獲得前所未有的便利和能力；同時，這些用戶進入一種前所未有的人機對話中。

運用人工智慧的網路平臺有能力可以用我們無法清楚理解，甚至無法明確定義或表示的方式來形塑人類的活動，這裡有一個很重要的問題：這種人工智慧的目標功能是什麼？由誰設計？在哪些監管參數範圍裡？

類似問題的答案會繼續塑造未來的生活與未來的社會：誰在操作？誰在定義這些流程的限制？這些人對於社會規範和制度會有什麼影響？有人可以存取人工智慧的感知嗎？有的話，這人是誰？

如果沒有人類可以完全理解或查看數據，或檢視每個步驟，也就是說假設人類的角色只負責設計、監控和設定人工智慧的參數，那麼對人工智慧的限制應該要讓我們放心？還是讓我們不安？還是既放心又不安？

——本文摘自《 AI 世代與我們的未來：人工智慧如何改變生活，甚至是世界？》，2022 年 12 月，聯經出版公司，未經同意請勿轉載。

搭配不同的任務，人工智慧的應用方式也不一樣，所以開發人員用來創造人工智慧的科技也不一樣。這是部署機器學習時最基礎的挑戰：不同的目標和功能需要不同的訓練技巧。

不過，結合不同的機器學習法，尤其是應用神經網路，就出現不同的可能性，例如發現癌症的人工智慧。

機器的 3 種學習形式

在我們撰寫本章的時候，機器學習的三種形式：受監督式學習、不受監督式學習和增強式學習，都值得注意。

受監督式學習催生了發現海利黴素的人工智慧。總結來說，麻省理工學院的研究人員想要找出有潛力的新抗生素，在資料庫裡放入二千種分子來訓練模型，輸入項目是分子結構，輸出項目是抑菌效果；研究人員把分子結構展示給人工智慧看，每一種結構都標示抗菌力，然後讓人工智慧去評估新化合物的抗菌效果。

這種技巧稱為受監督式學習，因為人工智慧開發人員利用包含了輸入範例（即分子結構）的資料集，在這裡面，每一筆數據都單獨標示研究人員想要的輸出項目或結果（即抗菌力）。

開發人員已經把受監督式學習的技巧應用於許多處，例如創造人工智慧來辨識影像。為了這項任務，人工智慧先拿已經標示好的圖像來訓練，學著把圖像和標籤，例如把貓的照片和「貓」的標籤，聯想在一起，人工智慧把圖片和標籤的關係編碼之後，就可以正確地辨識新圖片。

因此，當開發人員有一個資料集，其中每個輸入項目都有期望的輸出項目，受監督式學習就能有效地創造出模型，根據新的輸入項目來預測輸出項目。

不過，當開發人員只有大量資料，沒有建立關係的時候，他們可以透過不受監督式學習來找出可能有用的見解。因為網際網路與資料數位化，比過去更容易取得資料，現在企業、政府和研究人員都被淹沒在資料中。

行銷人員擁有更多顧客資訊、生物學家擁有更多資料、銀行家有更多金融交易記錄。當行銷人員想要找出客戶群，或詐騙分析師想要在大量交易中找到不一致的資訊，不受監督式學習就可以讓人工智慧在不確定結果的資訊中找出異常模式。

這時，訓練資料只有輸入項目，然後工程師會要求學習演算法根據相似性來設定權重，將資料分類。舉例來說，像網飛（Netflix）這樣的影音串流服務，就是利用演算法來找出哪些觀眾群有類似的觀影習慣，才好向他們推薦更多節目；但要優化、微調這樣的演算法會很複雜：因為多數人有好幾種興趣，會同時出現在很多組別裡。

經過不受監督式學習法訓練的人工智慧，可以找出人類或許會錯過的模式，因為這些模式很微妙、數據規模又龐大。因為這樣的人工智慧在訓練時沒有明定什麼結果才「適當」，所以可以產生讓人驚豔的創新見解，這其實和人類的自我教育沒什麼不同——無論是人類自學或是人工智慧，都會產生稀奇古怪、荒謬無理的結果。

不管是受監督式學習法或不受監督式學習法，人工智慧都是運用資料來執行任務，以發現新趨勢、識別影像或做出預測。在資料分析之外，研究人員想要訓練人工智慧在多變的環境裡操作，第三種機器學習法就誕生了。

增強式學習：需要理想的模擬情境與回饋機制

若用增強式學習，人工智慧就不是被動地識別資料間的關聯，而是在受控的環境裡具備「能動性」，觀察並記錄自己的行動會有什麼反應；通常這都是模擬的過程， 把複雜的真實世界給簡化了，在生產線上準確地模擬機器人比較容易，在擁擠的城市街道上模擬就困難得多了。

但即使是在模擬且簡化的環境裡，如西洋棋比賽，每一步都還是會引發一連串不同的機會與風險。因此，引導人工智慧在人造環境裡訓練自己，還不足以產生最佳表現，這訓練過程還需要回饋。

提供反饋和獎勵，可以讓人工智慧知道這個方法成功了。沒有人類可以有效勝任這個角色：人工智慧因為在數位處理器上運作，所以可以在數小時或數日之內就訓練自己幾百次、幾千次或幾十億次，人類提供的回饋相比之下根本不切實際。

軟體工程師將這種回饋功能自動化，謹慎精確地說明這些功能要如何操作，以及這些功能的本質是要模擬現實。理想情況下，模擬器會提供擬真的環境，回饋功能則會讓人工智慧做出有效的決定。

阿爾法元的模擬器就很簡單粗暴：對戰。阿爾法元為了評估自己的表現，運用獎勵功能，根據每一步創造的機會來評分。

增強式學習需要人類參與來創造人工智慧的訓練環境（儘管在訓練過程中不直接提供回饋）：人類要定義模擬情境和回饋功能，人工智慧會在這基礎上自我訓練。為產生有意義的結果，謹慎明確地定義模擬情境和回饋功能至關重要。

——本文摘自《 AI 世代與我們的未來：人工智慧如何改變生活，甚至是世界？》，2022 年 12 月，聯經出版公司，未經同意請勿轉載。